提出了一种适用于多人场景的通用分层场景表示方法，用于多人视点渲染，无需每场景优化且只需要很少的输入视图。通过将场景分割为多人分层光辐射场，并通过迭代参数修正和多视图特征融合实现与输入视图的像素级对齐的 3D 模型，进一步提出了新颖的端到端训练模块进行人体模型校正。在新颖视图综合和非人物优化场景 NeRF 方法上表现优越，而与分层场景方法在测试时间优化方面相当。

Sep, 2023

NeRF-VAE 是一种 3D 场景生成模型，通过使用 NeRF 和可微分体积渲染结构，将几何结构纳入考虑，利用摊销推理，无需重新训练便能推断新型场景的结构，采用显式的 3D 渲染过程与缺乏几何结构的卷积模型形成对比，它是一种 VAE 学习一个描述辐射场的分布，并通过在潜在场景表示上加以限定。我们展示了，一旦训练完成，NeRF-VAE 能够通过很少的输入图像推断和渲染几何上一致的未曾见过的 3D 环境，而且还展示了 NeRF-VAE 泛化到分布之外的相机的能力优于卷积模型。最后，我们介绍并研究了 NeRF-VAE 解码器的基于注意力的约束机制，以提高模型性能。

Apr, 2021

本研究提出了一种基于神经辐射场的三维场景风格化方法，采用新的训练方法，交替进行 3D 场景和风格化优化步骤，从而应用更加表现力的图像风格转移方法，生成高质量的具有交叉视角一致性的新视角图片。

Jul, 2022

本文提出了一种用于 LiDAR 传感器的新型视角合成任务，并介绍了一种可微分的 LiDAR 渲染器及其结合神经辐射场的端到端框架，证明了该方法在多种数据集上的优越性。

Apr, 2023

本文提出了利用神经辐射场学习单个视角下的 3D 物体建模方法，并通过类别级别的训练数据来重建物体外形，进而实现新视角综合渲染和单目深度估计的高精度结果。

Nov, 2021

通过使用 Geometry-enhanced NeRF (G-NeRF) 方法，在 novel view synthesis 中增强几何先验，通过几何引导的多视角合成方法和深度感知型训练，解决了多视角数据不足和单视角图像几何先验提取问题，并通过定剪方法和深度感知鉴别器进一步提高了几何品质。实验证明了我们方法在定量和定性结果上的有效性。

Apr, 2024

通过将自编码器与 NeRF 相结合，我们提出了一种潜空间 NeRF，可以在渲染速度提高三倍的同时减少视觉伪影，从而产生更高质量的新视图，可用于实现高效且高保真的 3D 场景表示，特别适用于需要保持可微性的机器人学场景。

Oct, 2023

本研究提出利用全局和局部特征构建表达式三维模型的方法，通过训练 MLP 网络，实现从单个未定位图像中合成新视角，并在多个物体类别上进行泛化，获得了比现有方法更出色的性能和更丰富的细节渲染。

Jul, 2022

LASER 是一个基于图像的蒙特卡罗定位 (MCL) 框架，采用潜在空间渲染的概念，通过聚合视角射线特征将 2D 平面地图上的位姿假设直接渲染到几何结构化的潜在空间中。采用紧耦合的渲染码本方案，该方案在渲染时动态地基于其几何形状（即长度，入射角）确定视角射线特征，从而赋予我们的表示具有视角相关的细粒度可变性。此外，通过度量学习，我们的几何结构化潜在空间对位姿假设和任意视场的查询图像都是共通的。结果，在大规模室内定位数据集上，LASER 在全景和透视图像查询中实现了最先进的性能，同时在速度上明显优于现有的基于学习的方法。

Apr, 2022

本研究提出了一种新学习框架，ActiveNeRF，通过利用不确定性估计和主动学习策略来提高 NeRF 模型在少量样本下的泛化性能，从而实现在资源受限的情况下从 2D 图像集中构建 3D 场景以及生成新视角的重建。

Sep, 2022