本文提出了一种系统的提炼方法 Progressive Volume Distillation，该方法可以让各种神经结构包括 MLP、稀疏或低秩张量、哈希表和它们的组合之间实现任意转换，从而使得各种下游任务可以在后期对神经表示进行最佳适应。

Nov, 2022

本文提出了一种基于点到体素知识蒸馏的方法，通过将隐藏层的知识从点级别和体素级别进行转移，采用困难感知的采样策略和点 - 体素相似度蒸馏，提高了 LiDAR 语义分割任务中教师模型向学生模型的知识压缩效果，同时在两个流行的基准数据集上实现了优于现有方法的精度和速度。

Jun, 2022

本研究提出了将本应在神经网络评估后再进行渲染的颜色，改为直接渲染出射线查询的特征向量，从而大幅降低了神经网络评估的复杂度和计算开销，并取得了较好的渲染质量。

May, 2023

通过可微分的渲染框架，在不需要 3D 监督的情况下，从稀疏的 RGB 图像中学习结构化的三维抽象，以原始组件的形式捕获三维物体，并且通过引入差异化的原始装配，输出三维占据场作为密度预测的替代，以提高精度和紧凑性。

Apr, 2024

本文介绍一种新的深度残差 MLP 网络用于学习 Neural Light Field（NeFL），通过从预训练的 NeRF 模型中转移知识进行数据精馏，以此消除 NeRF 的迭代采样问题，在合成和现实场景下的实验结果表明，与其他算法相比，我们的方法在节省计算资源和提高渲染质量方面具有明显的优势。

Mar, 2022

基于多分辨率哈希格方法的可扩展场景重建方法，通过划分大型场景、消除背景 NeRF，并利用分割体积渲染方法处理跨边界射线，实现了更高质量、更可扩展的场景重建。

May, 2024

MVG-NeRF 组合了传统的多视角几何算法和神经辐射场 (NeRF) 用于基于图像的三维重建。我们提出使用像素级深度和法线来引导 NeRF 优化，以提高所估计表面的质量。实验结果表明，该方法可以从图像中获取干净的三维网格，同时在新视角合成方面具有竞争力的表现。

Oct, 2022

本篇论文提出了一种新的方法，通过将 NeRFs 融合为可与高度并行的图形渲染管线完全兼容的高效网格神经表示，使用屏幕空间卷积，来提高外观的质量和整个框架的表现。

Apr, 2023

提出了一种名为 NeRDF 的新表示方法，旨在实现实时的高效视图合成，通过基频和频率权重的网络预测实现单像素每次只进行一次网络转发，并通过辐射分布进行体素渲染计算，相比现有方法在速度、质量和网络尺寸方面具有更好的权衡，实现了与 NeRF 相似的网络大小下约 254 倍的加速。

Aug, 2023

通过评估一组查询策略，在人体姿势估计应用中，通过两种方法（离线方法和基于知识蒸馏的在线评估）评估训练过程中所选择的帧对训练结果的影响，证明了在实时场景中有效地将边缘轻量级模型适应于新环境的训练的可能性。

Sep, 2023