本研究论文采用 Neural Radiance Fields 方法，从城市景观图像中导出点云，并通过相机姿态的精确性、自动驾驶汽车采集的街景数据特点、以及新的算法（WIGO 和 LPiM 等）来解决相关挑战。

Apr, 2024

该论文介绍了一种新的基于神经网络点云的辐射场模型 ——Point-NeRF，它结合了 NeRF 和深度多视图立体成像两种方法的优点，可用于高质量的视图合成和快速的场景几何重建。Point-NeRF 可以通过射线行走的渲染管道有效地渲染神经点特征，相对于 NeRF 具有快速训练和处理 3D 重建错误和异常数据的优势。

Jan, 2022

使用多尺度稀疏体素网格聚合点云，平均多个尺度以克服点云稀疏性，在全局尺度加入体素表示模拟无点区域，并在 NeRF 合成、ScanNet 和 KITTI-360 数据集上验证方法，显著优于现有技术。

Dec, 2023

该论文提出了一种改进 NeRF 渲染质量的近表面采样框架，通过估计 3D 场景的表面，只在表面周围进行采样，从而提高了渲染质量，并且能够显著加速 NeRF 模型的训练时间。

Oct, 2023

我们介绍了一种新的方法，用于无界现实世界场景的重建和新视角合成。与以前使用体积场、基于网格的模型或离散点云代理的方法不同，我们提出了一种混合场景表示，它在连续的八叉树概率场和多分辨率哈希网格中隐式编码点云。通过这样做，我们结合了两个世界的优势，通过保留优化过程中的有利行为：我们的新颖隐式点云表示和可微分双线性光栅化器可以实现快速渲染，同时保持细节几何细节而不依赖于像运动点云那样的初始先验知识。我们的方法在几个常见基准数据集上实现了最先进的图像质量。此外，我们以交互帧率实现了快速推断，并可以提取显式点云以进一步提高性能。

Mar, 2024

本研究提出了将本应在神经网络评估后再进行渲染的颜色，改为直接渲染出射线查询的特征向量，从而大幅降低了神经网络评估的复杂度和计算开销，并取得了较好的渲染质量。

May, 2023

通过深度引导的稀疏输入点云融合构建的辐射场点云可以有效地解决深度图的不准确性和低时间效率问题，实验证明该方法在性能和效率上优于现有技术。

Mar, 2024

基于不同方式和相机采集的树木图像，本研究使用神经辐射场（NeRF）方法进行个体树木三维重建，并将导出的点云模型与通过摄影测量重建和激光扫描方法得到的点云进行比较。结果表明，NeRF 方法在个体树木三维重建方面表现良好，具有更高的成功重建率，更好的冠层区域重建，并且所需图像数量较少。与摄影测量重建方法相比，NeRF 在重建效率上具有明显优势，并且适用于复杂场景，但生成的点云往往存在噪点和低分辨率。从摄影测量点云中提取的树木结构参数（树高和胸径）的精度仍然优于从 NeRF 点云中提取的结果。本研究结果显示了 NeRF 方法在个体树木重建方面的巨大潜力，并为复杂森林场景的三维重建和可视化提供了新的思路和研究方向。

Dec, 2023

本文提出了一种新的方法，将点云渲染成表面，该方法可微并且不需要特定于场景的优化，可以用于表面法线估计、渲染全局点云、反向渲染和光线跟踪。通过直接推断给定点云所代表的底层表面与光线的交点，通过训练一个集合转换器可以将局部邻居点与光线的交点、表面法线和材料混合权重结合起来，使用 48 个网格进行模型训练，可应用于未见过的点云上，实现了比现有表面重建和点云渲染方法更高的估计精度。

Apr, 2023

通过提出了 MixRT，一种包含低质量网格、视角依赖位移图和压缩 NeRF 模型的新型 NeRF 表示方法，有效利用现有图形硬件的能力，在边缘设备上实现了实时 NeRF 渲染，速度快（MacBook M1 Pro 笔记本分辨率 1280 x 720 超过 30 FPS），渲染质量更好（Unbounded-360 数据集室内场景 0.2 PSNR 高），存储大小更小（与最先进的方法相比少于 80%）。

Dec, 2023