利用 Neural Radiance Fields (NeRFs) 训练高分辨率 3D 重建，包括使用 HoloLens 数据提取内部摄像机姿态和通过结构光运动提取外部摄像机姿态，两者均通过姿态优化得到改善；结果表明，相较于传统的 Multi-View Stereo 密集重构方法，在完整性和细节层面上，NeRF 重建表现更好。

Apr, 2023

该研究通过提出 Enhance-NeRF 模型，增强神经放射场（NeRF）在虚拟现实和增强现实等领域的三维重建应用，改进了场景识别和学习能力，有望广泛应用于照明、材质和形状的室外场景重建，具备插拔式的易用性，并能够与其他 NeRF-based 模型轻松集成。

Jun, 2023

通过修改光线投射模型以利用透镜光学，我们提出了一种改进的模型，并且能够更好地匹配实际摄像机的虚焦模糊行为，特别是在部分遮挡的情况下，从而实现更锐利的重建，将全焦点图像的峰值信噪比在合成和真实数据集上提高了最多 3 dB。

Jun, 2024

本研究利用 Microsoft HoloLens 2 作为多传感器平台，包括 RGB 相机和惯性测量单元用于 SLAM，结合 Neural Radiance Field 技术实现基于 RGB 相机图像的 3D 重建，相比于网格采样的 NeRF 算法提高了数倍的性能，是一种移动 3D 地图实时重建方法。

Apr, 2023

该研究提出了一种基于卷积神经网络的方法，能够实时从狭窄的 LDR 相机图像估计 HDR 环境映射，从而在增强现实中呈现任何材质表面的虚拟物体的感性吸引的反射和着色，此算法比现有技术将光源方向估计的误差降低了 50% 以上，FID 也获得了 3.7 倍的降低。

Nov, 2020

本研究评估了 Neural Radiance Fields 在工业机器人应用中的潜力，并提出了一种替代 Structure from Motion 预处理的方法，通过基于机器人运动学的度量尺度确定了精确的相机姿态，表明在具有挑战性的场景中具有明显优势，并展示了在缺乏真实数据的情况下，应用集成方法估计合成新视图的质量的初步结果。

May, 2024

本文介绍了一种基于神经辐射场（NeRF）的方法，用于从单个 360 度 RGB-D 图像合成新景象，并利用 2D 图像生成模型，最大权重独立集问题和模拟退火等算法，以优化生成的图像。

Mar, 2022

本研究提出了一种基于神经场的大规模重建系统，它利用激光雷达和视觉数据生成几何精确且具有照片级真实纹理的高质量重建，同时使用激光雷达 SLAM 系统提供深度和表面法线的强几何约束来改进传统的神经辐射场表示方法。

Mar, 2024

基于 NeRFs 的成功，近年来在新颖视角合成领域取得了显著进展。然而，虽然视图合成模型在视觉上看起来很真实，但其底层的 3D 模型通常是错误的，这限制了它们在实际应用中的有效性。本技术报告介绍了视图合成模型和 3D 重建模型之间的关键区别，并指出了使用深度传感器进行准确几何建模的重要性。通过扩展 Plenoxel 辐射场模型，我们对基于 RGB-D 数据的辐射场密集建图和跟踪任务提出了一种分析微分方法，实现了优于竞争神经网络方法的最新成果，并具有更快的速度。

Jul, 2023

从由摄像头和扫描器捕捉的 RGB 图像和激光雷达扫描序列中，使用我们的扩展方法，生成具有深度信息的 3D 表面，以及合成新颖的 RGB 图像。

Nov, 2021