通过使用单个视图，我们提出了一个新的框架来解决动态场景的四维分解问题，并通过密集光线投射强调动态区域的学习，从而克服了单个视图和遮挡带来的挑战，并实现了比现有方法更高保真度的单视图动态场景表示。

Feb, 2024

本文介绍了一种名为 Im4D 的混合场景表示方法，在动态视图合成方面表现出了先进的性能和高效的训练能力。

Oct, 2023

本文介绍了一种重建 4D 时间连续场景模型的方法，该方法使用多个移动相机进行重建，可以重建动态或静态物体，同时将稀疏 - 稠密时序对应与联合多视角分割和重建结合使用，利用时间上的连续性克服了视觉歧义，并通过引入测地线星凸性的约束实现了具有鲁棒性的动态物体分割和重建。

Mar, 2016

本研究提出一个新型框架，名为 H4D，利用 SMPL 参数模型对动态人体进行建模，包括形状、初始姿势、运动和辅助信息，通过线性运动模型和 GRU-based 架构来提高准确性和表现力，有效地恢复了动态人物的运动和细节几何

Mar, 2022

提出了一种高效的视频到 4D 对象生成框架 Efficient4D，能够在连续的摄像机轨迹下实时渲染高质量的时空一致图像，通过直接训练具有明确点云几何结构的新颖 4D 高斯涂层模型，大大提升了速度，同时保持创新视角合成质量。

Jan, 2024

本文提出了 4K4D 方法，该方法使用 4D 点云表示实现高分辨率、实时的视图合成，其在渲染速度和质量方面具有突出优势，并通过不同 iable 深度剥离算法，从 RGB 视频中学习到了该模型。实验证明，该方法在 1080p 分辨率下能够以 400 FPS 的速度渲染出 DNA-Rendering 数据集，并在 4K 分辨率下以 80 FPS 的速度渲染出 ENeRF-Outdoor 数据集，是之前方法的 30 倍快并达到了最先进的渲染质量。

Oct, 2023

从 2D 图像中重建动态 3D 场景并随时间生成多样视角是一项具有挑战性的任务，本研究提出一种基于优化一组 4D 基元的方法，以近似表示动态场景的底层时空 4D 体积，通过特定的渲染程序，制造各种时间的新视角，该方法简单灵活，适用于捕捉复杂动态场景运动，实验结果在多个基准数据集上证明了其优秀的视觉质量和高效性。

Oct, 2023

本文提出了 Sparse4Dv2 算法，通过在时间融合模块中实现一种递归形式的多帧特征采样来提高性能，并达到了 nuScenes 3D 检测基准的最佳结果。

May, 2023

本文提出了一种利用 3D Voxel 建模 4D 神经辐射场的方法，即 V4D, 并使用 LUTs 格式和条件位置编码来改进新视图综合任务的表现，实验表明该方法在低计算成本下取得了最先进的表现。

May, 2022

本研究提出一种基于深度学习的方法，通过编码器将每个组件表示为潜在编码，使用神经 ODE 对初始状态进行更新，使用解码器将形状编码和更新状态编码组合在一起重构 3D 模型，并通过身份交换训练策略来有效地解耦每个组件，从而在 4D 重建及运动转移任务中取得了显著改进。

Mar, 2021