该研究探索了使用生成对抗网络在三维空间中进行图像合成的可能性，并提出了一种无监督的方法，可从原始图像中解开简单场景的隐含三维因素。与纯二维基线相比，该方法允许合成与视角或物体姿势变化一致的场景，可用于实现 3D 可控图像合成，生成具有可解释性的表示形式。

Dec, 2019

提出一种基于全景图的图像合成网络，通过有效地利用全景图在卷积和上采样层来生成高保真的图像，解决了在复杂环境下多个实例互相遮挡的问题，并且在均值IoU和DetAP等指标上优于之前的最新技术方法。

Apr, 2020

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

本文提出了一种深度生成模型，它是基于3D且与摄像机相关的，通过将场景分成背景和前景模型，并学习摄像机与图像生成器，达到了更高效且可分离的场景再现效果。

Mar, 2021

本研究提出了一种基于阴影引导的生成式隐式模型，该模型利用多角度光照约束对3D物体进行建模，使得在不同光照条件下产生逼真的渲染效果，从而改善先前方法在表达精确3D形状方面的局限性，并成功应用于图像重照和3D形状重建任务。

Oct, 2021

本文提出了一种基于神经辐射场的管线，能够生成特定类别物件或场景的NeRF， 并能够利用自动编码器构建无监督的3D感知图像合成模型，特别是能够基于单张图像进行物体视角的生成。

Feb, 2022

本文提出了一种基于NeRF的条件生成3D人脸合成框架，该框架能够通过从3D脸部先验中强制显式的3D条件生成可控制性高保真面部图像，并且比现有的基于2D的可控制性合成方法具有更精确的3D可控制性。

Jun, 2022

介绍了近年来深度学习实现的视觉内容创作方法的显著进展，包括3D感知生成图像合成，旨在提供一个关于3D感知图像合成的综述，为相关领域的研究工作提供有用的参考，并通过我们的讨论部分激发未来的研究方向。

Oct, 2022

提出了一种新颖的模型C^3G-NeRF，可以合成具有条件操纵的照片逼真，三维一致图像，在三个图像数据集上进行评估，并表现出强大的三维一致性和平滑的插值。

Jan, 2023

通过深度学习技术与生成模型的应用，研究了3D可控图像合成问题，包括视角/姿势可控图像合成、结构/形状可控图像合成以及3D重新照明等方面。

Jul, 2023