通过使用多输入多输出 NeRF（MIMO-NeRF）和自监督学习方法，我们提出了一个新的解决方案来加速神经辐射场（NeRF）的渲染速度，并且与前沿技术相兼容。

Oct, 2023

SfMNeRF 提出了一种基于神经辐射场的方法，结合自监督深度估计方法对样本进行重构，同时利用极线和光度一致性等约束构建 3D 场景几何图像，提高了神经辐射场的表现，实现了更好地合成新视角。

Apr, 2023

本论文提出了单视角 NeRF 框架 (SinNeRF)，通过引入半监督的学习过程，利用几何标签和语义标签指导训练过程，成功实现了仅通过单个视图将神经辐射场训练到现实场景，即使在不进行多视图数据集预训练的情况下，SinNeRF 可产生逼真的新视图综合结果。

Apr, 2022

本研究借鉴神经辐射场（NeRF）的概念，将 SAR 成像机制与神经网络相结合，提出了一种新的 SAR 图像生成模型 SAR-NeRF，它通过自动编码学习了体素的衰减系数和散射强度分布，并在少样本学习任务上实现了较高的分类精度。

Jul, 2023

该论文提出了 ConsistentNeRF 方法，通过深度信息规范化像素之间的 3D 一致性，以提高 NeRF 在稀疏视图下的重建质量。在 DTU、NeRF Synthetic 和 LLFF 等基准测试中，与基线方法相比，该方法可以显著提高模型性能，如 PSNR 可提高 94％，SSIM 可提高 76％，LPIPS 可提高 31％。

May, 2023

我们提出了一种 NeRF 的零样本超分辨率训练框架，通过单场景内部学习指导 NeRF 模型合成高分辨率的新颖视角，而无需外部高分辨率训练数据。我们的方法采用两个阶段，首先通过内部学习在预训练的低分辨率粗糙 NeRF 上学习场景特定的退化映射，然后通过反向渲染使用映射函数优化超分辨率细致 NeRF，并通过推理阶段引入时间集成策略来补偿场景估计错误。通过在公共数据集上进行大量实验，我们定性和定量地验证了我们方法的有效性。

Dec, 2023

提出了 Stochastic Neural Radiance Fields (S-NeRF) 作为一种泛化标准 NeRF 的方法，在机器学习中使用贝叶斯学习框架进行优化，得出可以量化与模型估计相关的不确定性的概率分布，为场景信息提供了更可靠的预测和置信度值。

Sep, 2021

本文通过 RustNeRF 算法提出了一种实现在现实世界中高质量三维模型合成的方法，通过利用实际影像退化建模、隐式多视图引导等实现了对 NeRF 训练模型的改进。实验结果表明 RustNeRF 方法在面对实际影像退化时表现出更好的鲁棒性。

Jan, 2024

我们提出了一种新的通用方法，用于阴影感知的多视角卫星摄影测量。我们的建议方法是采用隐式体积表示学习中的最新进展。通过训练 Shadow Neural Radiance Field (S-NeRF) 模型，我们能够实现对场景进行 3D 形状估算、阴影检测和透明物体过滤，而不需要任何显式形状监督。

Apr, 2021

介绍了 Sat-NeRF，它是阴影神经辐射场（S-NeRF）模型的一个修改实现。它能够从场景的稀疏卫星图像合成新的视图，并考虑图片中存在的光照变化。通过完全连接的神经网络支路输出反照率和入射辐照度两个量，对辐射度进行考虑，将其作为太阳直射光和天空漫反射颜色的函数。通过对 NeRF 进行超参数研究，得出了一些有趣的结论，并且成功地将 NeRF 和 S-NeRF 运行了 100k 次以完全拟合数据并产生最佳预测。

Apr, 2023