使用连续值比特映射扩展 NeRF, 可以高效地渲染反锯齿锥体，提高了表现精细细节的能力，缩小了占用空间，降低了平均误差率

Mar, 2021

本文介绍了一种名为 mip-Grid 的方法，它将消除深度学习模型渲染过程中的锯齿状失真问题与快速训练相结合的网格表示技术，通过生成多尺度的网格并使用尺度感知坐标检索不同尺度的特征，大大提高了渲染性能和训练速度。

Feb, 2024

利用基于网格的表示和频域表示的频谱 MipAA 方法，通过利用尺度特定的低通滤波器（LPF）和可学习的频谱遮罩，在保留重要细节的同时有效消除锯齿因素，以解决 Neural Radiance Fields 在生成 3D 场景和渲染不同相机距离下的图像时的走样问题。

Jun, 2024

使用渲染和信号处理中的思想，将 mip-NeRF 360 和基于网格的模型相结合，使误差比之前的技术低 8%-76%，并且训练速度比 mip-NeRF 360 快 22 倍。

Apr, 2023

本文介绍了一种名为 Mip-VoG 的新的多尺度渲染技术，采用四线性插值将 3D 场景中的位置映射到其特征和密度。相比传统的 NeRF 和 Mip-NeRF 方法，Mip-VoG 在同时提高多尺度训练和实时抗锯齿渲染方面具有更好的性能。

Apr, 2023

本研究提出了一种名为 mĩp-NeRF 360 的模型，通过应用非线性场景参数化、在线蒸馏和一种新的基于畸变的正则化器，克服了 3D 场景中存在的挑战，在高度复杂的未限定真实世界场景中减少了均方误差 57％，能够提供逼真的合成视图和详细的深度图。

Nov, 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

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

通过提出了 MixRT，一种包含低质量网格、视角依赖位移图和压缩 NeRF 模型的新型 NeRF 表示方法，有效利用现有图形硬件的能力，在边缘设备上实现了实时 NeRF 渲染，速度快（MacBook M1 Pro 笔记本分辨率 1280 x 720 超过 30 FPS），渲染质量更好（Unbounded-360 数据集室内场景 0.2 PSNR 高），存储大小更小（与最先进的方法相比少于 80%）。

Dec, 2023

本文介绍了一种 Ripmap 编码的 Platonic Solid 表示方法，以精确有效地表征 3D 各向异性区域，从而实现高保真度的抗锯齿渲染。在该方法中，Platonic Solid 投影和 Ripmap 编码是关键组成部分，通过 Platonic Solid 投影将 3D 空间因子化为某个 Platonic solid 的不可比面，以便将各向异性 3D 区域投影到具有可区分表征的平面上，并且每个 Platonic solid 的面通过 Ripmap 编码来进行编码，该编码通过各向异性预过滤可学习的特征网格来实现精确高效的区域特征提取。在多项实验中，包括知名合成数据集和新捕获的真实世界数据集的测试下，我们的 Rip-NeRF 实现了最先进的渲染质量，在细节结构和纹理方面表现优异，并且具有相对较快的训练时间。

May, 2024