本文提出了一种基于放射场的生成模型，该模型具有高保真度的可渲染三维一致模型，能够更准确地控制相机视点和物体姿态，并通过一个多尺度基于补丁的鉴别器来演示高分辨率图像的合成。

Jul, 2020

本文介绍了一种名为 EpiGRAF 的高分辨率，高保真纯 3D 图像生成模型，旨在解决通过训练 2D 解码器进行高清分辨率图像生成的问题，该模型通过基于 patches 的不同比例和空间位置的位置和比例感知辨别器以及基于淬火 Beta 分布的 patch 采样策略的两种方式优化训练，最终取得了业内最先进的图像质量和几何形态 。

Jun, 2022

这篇研究论文提出了一种新型神经网络，可以从 2D 观察中隐式地表示和渲染 3D 物体和场景，通过将 2D 图像中的像素特征投影到 3D 点上，并使用聚合策略来考虑视觉遮挡，生成高质量逼真的新视角。

Oct, 2020

提出了一种基于 3D-SGAN 的语义指导生成模型，利用生成神经辐射场（GNeRF）提取人体的隐式 3D 表示，并用纹理生成器将语义掩码转换为真实图像，为计算机图形学应用中的非刚性物体生成具有照片级真实感的图像。在 DeepFashion 数据集上，比最新的基准表现显著优秀。

Dec, 2021

本论文提出了单视角 NeRF 框架 (SinNeRF)，通过引入半监督的学习过程，利用几何标签和语义标签指导训练过程，成功实现了仅通过单个视图将神经辐射场训练到现实场景，即使在不进行多视图数据集预训练的情况下，SinNeRF 可产生逼真的新视图综合结果。

Apr, 2022

ZIGNeRF 是一种基于 Zero-shot GAN 反演和新颖的转换器进行图像生成的模型，其可以从单个输入图像生成多视图图像，分离对象与背景并实现 360 度旋转或深度和水平平移。

Jun, 2023

该研究论文对于在光辐射场中进行交互式分割的现有方法进行了探讨，并提出了一种新的 SGISRF 方法，能够通过少量用户交互点击，对由光辐射场表示的新场景进行 3D 物体分割。该方法通过三种特别设计的技术来解决三个关键挑战，并在多个实验中证明了其有效性和适用性。

Aug, 2023

本文介绍了一种名为 GSN (Generative Scene Networks) 的生成式场景网络，通过学习将复杂室内场景分解成许多局部辐射场并能够从任意视点渲染，同时具有生成新场景和完成仅有稀疏 2D 观察的场景的能力，并能够更好地表示和呈现大尺寸和复杂室内环境。通过与其他现有模型的比较，GSN 在多个场景数据集上表现出更高的场景渲染质量。

Apr, 2021

SIGNeRF 是一种快速和可控的 NeRF 场景编辑和场景整合对象生成的新方法，通过图像扩散模型的深度条件机制，在一次迭代中基于参考图像集合对原始 NeRF 进行更新和改进，从而实现三维一致性视图生成。

Jan, 2024

采用生成对抗网络对神经辐射场（NeRF）进行优化，修复 3D 场景重建中存在的照明、采样等问题，从而实现更高质量的渲染。

Jun, 2023