提出一种基于神经辐射场和基于对象的神经散射函数的方法，能够在不重新训练的情况下，对静态及动态场景进行光线追踪模拟，拥有在新光照和新物品排列情况下泛化能力的物理准确的多物体场景组成渲染技术。

Dec, 2020

该论文提出了一种新的神经渲染方法，能够将动态环境分解成场景图，通过隐式编码学习场景的变换和辐射度，并能够渲染未见过的物体、位置的各种动态场景，达到了高度逼真的效果。

Nov, 2020

基于神经隐式场的 3D 场景编辑方法在 3D 编辑任务中取得了出色的结果，然而现有方法常常混合了对象和场景环境之间的交互，本文提出了一种考虑对象和场景环境交互的新型双流神经渲染系统（OSI-aware），通过内在分解方法成功分离了对象和场景环境之间的交互，以研究对象级编辑任务对场景外观的对应变化，我们引入了深度图引导的场景修补方法和通过点匹配策略的阴影渲染方法，大量实验证明我们的新方法在场景编辑任务中产生了合理的外观变化，同时在新视图合成任务中获得了具有竞争力的渲染质量。

Nov, 2023

本研究提出了一种新型的神经场景渲染系统，在聚集和现实世界场景中学习对象组合的神经辐射场，具有编辑能力和高效处理能力，并通过新颖的双通道体系结构设计，得以在场景几何和外观以及独立于对象的可学习激活代码条件下训练各个独立目标。通过实验证明，该系统不仅在静态场景新视点综合方面具备优异性能，而且在对象级别编辑方面也能产生逼真的渲染效果。

Sep, 2021

我们提出了一种适用于动态城市环境的新颖分解辐射场方法，通过多级神经场景图表示来估计大规模动态区域的辐射场，并采用快速复合光线采样和渲染技术进行有效的训练和渲染，通过新的视图合成基准测试，我们证明了该方法在更多方面的性能优于先前的方法。

Mar, 2024

本文提出 Object Scene Representation Transformer (OSRT)，一种 3D 中心模型，通过新视角综合技术，能够在无监督学习中从复杂场景中学习到基于对象及其几何形状的 3D 一致分解表示，且其轻量级参数化和新的 Slot Mixer 解码器让其在合成渲染方面比现有方法快多个数量级。

Jun, 2022

我们研究了从单一图像中推断 3D 物体中心场景表示的方法，并通过分开建模内外在属性来改善现有的无监督学习方法的局限性，使其能够从稀疏的现实世界图像中无监督地学习高保真的物体中心场景表示。

Feb, 2024

我们提出了一种可伸缩的无监督面向对象中心的 3D 场景表示学习方法，通过学习在局部对象坐标系统中视角不变的 3D 对象表示，从而推断和维护 3D 场景的对象中心表示，并优于以前的模型。

Sep, 2023

该论文提出了一种基于物体的前向模型学习方法，用于规划动作序列以实现远程期望目标，并通过随机交互数据来学习行为效果。实验结果表明，该方法具有更高的采样效率和准确性，可以优化闭环执行。

Oct, 2019

MulMON 基于多视角学习，旨在实现准确和脱耦的多对象场景的目标结构化，克服了单视角方法在物体场景表示中遇到的问题。

Nov, 2021