提出了一种名为 Arbitrary-Scale Super-Resolution NeRF (ASSR-NeRF) 的新型框架，通过使用 VoxelGridSR 模型在优化的体积上直接进行 3D 超分辨率 (SR) 操作，从而实现超分辨率新视角合成 (SRNVS)。通过在多样化场景上进行训练，可以确保模型的泛化能力，在训练过程中，对于使用低分辨率视角的未见场景，可以直接应用 VoxelGridSR 来进一步优化体积，并实现多视角一致的超分辨率 (SR)。实验证明，所提出的方法在 SRNVS 上取得了显着的性能提升。

Jun, 2024

提出了 MultiDiff 方法，它是一种用于从单个 RGB 图像一致地合成新视角的新方法，通过引入单目深度预测器和视频扩散模型作为强先验条件，实现了高质量和多视角一致的结果。

Jun, 2024

针对新颖视角合成的问题，我们提出了一个名为 NerfBaselines 的框架来解决评估方法不一致、安装困难以及难以推广到新颖三维场景等问题，并通过实验证实了该框架的可行性。

Jun, 2024

通过对 3D 高斯散射方法进行内存优化以减少存储和传输需求，提出了使用高斯基元、球面谐波系数和编码簿量化的解决方案，从而在标准数据集上实现了 27 的整体大小减少和 1.7 的渲染速度加快。

Jun, 2024

本文提出了一种基于 NeRF 的新型管道，用于将物体 NeRF 插入场景 NeRF，实现新视角合成和逼真的光照重新调整，并支持物体之间的物理交互，如互相投射阴影，通过比较相机视角与光源视角之间的深度图并生成生动柔和的阴影，实现了逼真的光照重新调整效果。

Jun, 2024

使用 Event Enhanced Gaussian Splatting（E2GS）方法，结合事件数据和高斯分层方法，以提高图像去模糊和产生高质量的新视角合成，并在综合实验中展示了较快训练和渲染速度（140 FPS）

Jun, 2024

从弱标记数据中学习姿态估计的方法，通过使用 NeRF 隐式学习物体形状，结合 CNN 使用对比损失学习视图不变特征，从而估计姿态。

Jun, 2024

通过使用层次结构的三维高斯，本研究提出了一种在非常大的场景中保持视觉质量的方法，同时提供了有效的远程内容的适当级别选择和平滑过渡的有效细节解决方案。

Jun, 2024

MatLoc-NeRF 是一种使用选定的 NeRF 特征的基于匹配的定位框架，以提高效率和准确度，通过采用可学习的特征选择机制来消除对所有 NeRF 特征或附加描述符的需求，并利用姿态感知场景分区策略和场景分割器提供快速的粗略初始姿态估计。与现有的基于 NeRF 的定位方法相比，MatLoc-NeRF 在公共大规模数据集上表现出了更高的效率和准确度。

Jun, 2024

提出了一种基于神经辐射场模型的说话脸生成方法，通过利用神经光动力场模型来加速渲染速度，同时使用知识蒸馏和动态训练策略，实现了生成高质量三维说话脸视频的效果和速度的显著提升。

Jun, 2024