用于编辑 NeRFs 的 LAENeRF 是一个统一框架，以实现对 NeRFs 的逼真和非逼真的外观编辑，采用区域选择的体素网格作为局部编辑的起点，并通过学习从射线末端到最终输出颜色的映射来限制内存需求和实现快速优化，最终实现了颜色重新着色和样式化，并在定量和定性方面超越了基线方法。

Dec, 2023

本文提出了可编辑的神经辐射场，使终端用户能够轻松编辑动态场景，甚至支持拓扑变化。我们的方法支持直观的多维度（最多 3D）编辑，并且可以生成在输入序列中未见过的新颖场景。

Dec, 2022

本文提出了 D-NeRF 方法，将神经辐射场扩展到动态领域，允许从单个相机围绕场景重建和渲染对象的新图像。通过将时间作为系统的额外输入，并将学习过程分为两个主要阶段，可以同时学习两个映射，实现控制相机视图和时间变量以及物体移动的目的。

Nov, 2020

提出了基于粒子表示的动态外观粒子神经辐射场（DAP-NeRF）模型，用于捕捉 3D 动态场景中的外观和运动，通过学习单目视频构建了有效的计算框架和新的数据集来评估运动建模效果。

Oct, 2023

引入动态神经辐射场（NeRF）作为人物中心视频表示，将视频编辑问题简化为三维空间编辑任务，通过变形场在整个视频上进行编辑。

Oct, 2023

本文介绍了 SealD-NeRF，它是 Seal-3D 的一个扩展，用于在动态环境中进行像素级编辑，特别针对 D-NeRF 网络。它通过将编辑操作映射到特定的时间框架，冻结负责动态场景表示的变形网络，并使用师生方法来集成更改，实现序列中的一致编辑。

Feb, 2024

利用拓展到神经辐射场（NeRF）的编辑技术来编辑场景是复杂的，本文提出了利用 NeRF 场景的几何信息作为桥梁来整合 2D 编辑的方法，并引入了一种填充方法来确保对不同图像的 2D 编辑具有鲁棒性。结果表明，该方法比现有的文本驱动 NeRF 场景编辑方法实现了更加一致、逼真和详细的编辑效果。

Apr, 2024

提出了 OD-NeRF，它可以实现动态三维场景的流式训练和渲染，并在实现帧间隐式跟踪和采样方面取得了重要进展。

May, 2023

本文介绍了 4D-Editor，一种基于用户画笔在单帧上编辑动态 NeRF 中多个对象的交互式语义驱动编辑框架，通过混合的语义特征场构建动态场景表示以保持时空一致性，并使用递归选择细化方法加强了动态 NeRF 中的分割准确性，此外，还开发了多视图重投影修复方法，用于填补编辑后由于不完整场景捕捉而产生的空洞，通过实验和真实世界的编辑示例表明，4D-Editor 可以实现真实感的动态 NeRF 编辑。

Oct, 2023

本研究提出了一种基于 Neural Radiance Field 的方法，利用显式网格表示与场景的隐式神经表示建立对应关系，使用户可以利用网格形变方法进行可控的形状变形，并合成编辑后的场景的新视角图像。

May, 2022