近年来，神经辐射场（NeRF）在计算机视觉和图形领域取得了显着进展，为解决 3D 场景理解、新视角合成、人体重建、机器人等关键任务提供了强有力的技术支持。本文对过去两年内关于 NeRF 的研究文献进行了深入分析，在详细阐述 NeRF 核心架构的基础上，讨论了 NeRF 的各种改进策略，以及在不同应用场景中的案例研究，展示了其在不同领域的实际应用价值。同时，本文还详细介绍了 NeRF 模型训练所需的关键资源，最后提出了关于 NeRF 未来发展趋势和潜在挑战的前瞻性讨论，旨在为该领域的研究人员提供研究灵感，促进相关技术的进一步发展。

Mar, 2024

Neural Radiance Field (NeRF) is a framework representing a 3D scene with MLP, achieving state-of-the-art photorealistic image renderings for view synthesis and expanding capabilities to generate views from dynamic scene representations with fewer images for training.

Apr, 2023

本篇论文探讨了 Neural Radiance Fields（NeRFs）在 3D 计算机视觉、计算机图形学和机器学习等领域的应用，包括历史、研究进展、潜在应用和影响等方面，并对相关研究进行了分类总结。

Apr, 2023

Neural Radiance Fields (NeRFs) are a new representation of 3D scenes for view synthesis and image-based rendering, widely used and extended by thousands of papers, with potential for future advancements in 3D representations.

Aug, 2023

通过 NeRF 的方法来实现对于图像的 View Synthesis, 本文提到了 NeRF 的成功之处以及在应用于大规模无界三维场景中进行改进，使其在 360° 的拍摄模式下提高拍摄质量。

Oct, 2020

该研究提出了一种基于神经辐射场（NeRF）技术的生成全息图的新方法。使用深度神经网络在合理的时间内构建了从 2D 图像生成的 3D 光场的渲染流程，包括 NeRF、深度预测器和全息图生成器，而不需要任何物理计算。通过该流程，可以计算从任意方向观看的 3D 场景的预测全息图。研究还展示了仿真和实验结果。

Mar, 2024

我们提出了一种名为 pixelNeRF 的学习框架，可以在仅有一张或几张输入图像的条件下预测连续的神经场景表示。与现有方法相比，我们的体系结构不需要每个场景都进行优化，从而使得在仅有一张图像的情况下就可以执行视角的合成和单幅图像的三维重建。经过大量的实验证明，我们的模型在形状、类别和实景等方面都优于现有的最先进技术。

Dec, 2020

本论文提出了一种基于学习的方法，利用无组织的野外照片合成复杂场景的新视图，并介绍了一系列扩展 NeRF 的方法以解决自然图像中的一些问题，最终成功地构建了名称为 NeRF-W 的系统，能够从互联网上的无组织照片集合中重建场景并呈现接近于照片现实主义水平的合成视图。

Aug, 2020

神经放射场 (NeRF) 是计算机视觉中的一种开创性技术，通过从投影到二维图像数据中合成三维表示来为医学成像提供巨大潜力。然而，在应用于医学领域时，它们面临着特殊的挑战。本文对 NeRF 在医学成像中的应用进行了全面的研究，突出了四个潜在的挑战，包括基本成像原理、内部结构要求、物体边界定义和颜色密度意义。我们讨论了目前不同器官上的现有方法，并讨论了相关的局限性。我们还回顾了几个数据集和评估指标，并提出了几个未来研究的有前景的方向。

Feb, 2024

该论文介绍了一种新的基于神经网络点云的辐射场模型 ——Point-NeRF，它结合了 NeRF 和深度多视图立体成像两种方法的优点，可用于高质量的视图合成和快速的场景几何重建。Point-NeRF 可以通过射线行走的渲染管道有效地渲染神经点特征，相对于 NeRF 具有快速训练和处理 3D 重建错误和异常数据的优势。

Jan, 2022