NerfAcc 是一种用于快速体积渲染辐射场的工具箱，支持动态场景和不可限制场景，并且具有用户友好的 Python API，适用于大部分 NeRFs 进行即插即用的加速。

Oct, 2022

通过改进射线采样方法，在保持真实感渲染结果的同时提高了神经辐射场训练的效率，加快了神经网络的收敛速度并更准确地感知场景的空间几何结构。

Aug, 2023

本文提出 EfficientNeRF，一种高效的基于 NeRF 的方法，用于表示 3D 场景和合成新视图图像。通过在粗略和精细阶段分别提出有效的和关键的采样方法，以显著提高采样效率。同时，设计一种新的数据结构来加速整个场景的缓存以加速渲染速度。结果表明，本方法可以缩短 88% 以上的训练时间，实现超过 200 FPS 的渲染速度，而仍保持竞争力的准确性，从而促进 NeRF 在现实世界中的实际应用和推广。

Jun, 2022

Neural rendering 研究中的新进展表明，尽管速度较慢，但隐式紧凑模型能够从多个视角学习场景的几何和视角相关外观。为了保持这样的小内存占用并实现更快的推断时间，最近的工作采用了‘采样器’网络，适应性地对隐式神经辐射场中的每条光线进行少量采样。尽管这些方法在渲染时间上实现了 10 倍的降低，但与基本 NeRF 相比仍然存在相当大的质量降低。相比之下，我们提出了 ProNeRF，它在内存占用（类似于 NeRF）和速度（比 HyperReel 更快）以及质量（比 K-Planes 更好）之间提供了最佳权衡。ProNeRF 配备了一种新颖的投影感知采样（PAS）网络以及一种用于光线探索和利用的新训练策略，实现了高效细粒度的粒子采样。我们的 ProNeRF 在指标方面表现出色，比 NeRF 快 15-23 倍，PSNR 比 NeRF 高 0.65dB，并且比最佳的基于采样器的方法 HyperReel 高 0.95dB。我们的探索与利用训练策略使得 ProNeRF 能够学习完整场景的颜色和密度分布，同时学习以最高密度区域为重点的高效光线采样。我们提供了广泛的实验结果，证明了我们的方法在广泛采用的前向和 360 数据集 LLFF 和 Blender 上的有效性。

Dec, 2023

文章提出了 FastNeRF 方法，通过图形学中的因式分解实现深度辐射图的高效缓存和查询，可在高端消费者 GPU 上以 200Hz 的速率呈现高保真度的照片般逼真的图像，比原始 NeRF 算法快 3000 倍，同时保持视觉质量和可扩展性。

Mar, 2021

通过在不同空间网格分辨率上训练模型头部，我们对基于网格的模型进行简单修改，以实现容易的扩展，提高渲染质量和性能效率。

Nov, 2023

作者提出了基于可微分不可视模块的 NeRF-ID 方法，该方法可以优化粗到精的采样策略，得到比 NeRF 和当前最先进算法更好的视图合成质量，并且显著降低计算时间。

Jun, 2021

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

通过将场景自适应地细分为轴对齐的包围盒，并使用树层次结构方法将较小的 NeRF 分配给不同大小的子空间，该论文提出了一种有效的适应性多 NeRF 方法，以加速针对复杂场景的神经渲染过程，以实现对特定场景部分的精细神经表示。

Oct, 2023

本文提出了一种新颖的双网络架构来学习减少所需样本点的数量，以实现高质量的神经表示，该方法优于现有的紧凑神经表示，可以实时渲染图像。

Jul, 2022