我们提出了一种基于补丁的方法，通过有效利用单眼表面法线和相对深度预测，在几何学和视图合成方面提供准确的 3D 模型，部分弥补了 NeRF 和传统 MVS 方法之间的几何性能差距，实验结果表明，在 ETH3D MVS 基准测试中，我们的方法在平均 F1@2cm 上提供了 RegNeRF 的 4 倍性能和 FreeNeRF 的 8 倍性能，为改善基于 NeRF 模型的几何精度以及促使 NeRF 模型最终超越传统 MVS 方法的优化提供了有价值的研究方向。

Apr, 2024

该研究提出一种新的方法，利用极线几何法提取采样自场景的块，将其通过一系列变换器进行预处理后预测目标采样射线的颜色，从而在不需要深度特征和 NeRF-like 卷积体积渲染的情况下，实现对未见过的场景的新视图综合，其具有更好的泛化性能，并且即使使用比以前工作少得多的数据进行训练，也能胜过现有技术水平。

Jul, 2022

本文介绍了一种使用神经放射场的全可微合成数据管道，可在不需要人力劳动的情况下按需生成数据，从而使得目标任务的准确性最大化。作者在合成和实际的物体检测任务中展示了方法的有效性，并引入了一个可用于真实场景中具有不同姿势的物体检测的新数据集和基准测试 (YCB-in-the-Wild)。

Jul, 2022

本文介绍了一个新的测试框架以专门用于评估神经辐射场（NeRF）模型的性能，该框架通过训练和评估 NeRF 的显式辐射场表示来解耦神经渲染网络和 NeRF 管道，并提出了一种配置方法来生成特定于评估目的的表示形式。我们还提出了一种新的指标来衡量该框架的任务复杂性，该指标考虑到了视觉参数和空间数据的分布。

May, 2023

通过学习非约束图像和建立来自处理图像的数据集的流程，我们设计了车辐射场，作为城市场景前景的关键部分，以满足模拟器的要求，确保当视角变化时车辆保持清晰，并且轮廓与背景的过渡保持清晰以避免在编辑时产生伪影。通过实验证明我们的模型与基准模型相比具有竞争性能。利用从野外图像构建的数据集，我们的方法逐渐呈现出可控的外观编辑功能。我们将在此 URL 上发布数据集和代码，以促进该领域的进一步研究。

Jul, 2023

该研究通过提出 Enhance-NeRF 模型，增强神经放射场（NeRF）在虚拟现实和增强现实等领域的三维重建应用，改进了场景识别和学习能力，有望广泛应用于照明、材质和形状的室外场景重建，具备插拔式的易用性，并能够与其他 NeRF-based 模型轻松集成。

Jun, 2023

本文提出了一种叫做 NeRF 综合的新任务，利用 NeRF 补丁范例的结构内容构建大尺寸的新辐射场，我们提出了一种两阶段的方法来综合新场景，控制场景的照明效果采用阴影指导而不是分离场景，我们表明了我们的方法可以生成高质量的结果，对曲面上的新场景进行综合，增强了我们所提出的 NeRF 综合方法的实用性。

Jun, 2023

本文提出了一种新的街景神经辐射场模型（S-NeRF），它考虑了大规模背景场景和前景移动车辆的新视角合成，通过改进场景参数化函数和学习更好的神经表示来应对现有 NeRF 模型在街景合成中出现的问题，并使用嘈杂和稀疏的 LiDAR 点来提高训练的鲁棒性和减少深度奇异值出现的情况。我们的 S-NeRF 模型在各种大规模驾驶数据集上的实验证明了它优于现有最先进方法在街景合成中减少了 7％至 40％的均方误差，并在移动车辆渲染的 PSNR 方面获得了 45％的增益。

Mar, 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

利用 Lidar 数据改善街景下基于神经辐射场的光线追踪和视图合成技术。

May, 2024