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

该论文主要研究使用神经辐射场（NeRF）方法对合成和真实场景进行3D重建，包括利用多分辨率哈希编码等技术在静态和动态场景重建方面的研究。其中，还着重探讨了神经辐射场（D-NeRF）对动态场景重建的应用，并成功将其推广至真实世界动态场景。

Oct, 2022

本篇论文探讨了Neural Radiance Fields（NeRFs）在3D计算机视觉、计算机图形学和机器学习等领域的应用，包括历史、研究进展、潜在应用和影响等方面，并对相关研究进行了分类总结。

Apr, 2023

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

本文综述了近年来神经辐射场（NeRF）技术在3D渲染和视角合成领域的最新研究进展和其不同的架构设计。

Jun, 2023

Neural Radiance Fields (NeRFs) are a new representation of 3D scenes for view synthesis and image-based rendering, widely used and extended by thousands of papers, with potential for future advancements in 3D representations.

Aug, 2023

近年来，神经辐射场（NeRF）在计算机视觉和图形领域取得了显着进展，为解决3D场景理解、新视角合成、人体重建、机器人等关键任务提供了强有力的技术支持。本文对过去两年内关于NeRF的研究文献进行了深入分析，在详细阐述NeRF核心架构的基础上，讨论了NeRF的各种改进策略，以及在不同应用场景中的案例研究，展示了其在不同领域的实际应用价值。同时，本文还详细介绍了NeRF模型训练所需的关键资源，最后提出了关于NeRF未来发展趋势和潜在挑战的前瞻性讨论，旨在为该领域的研究人员提供研究灵感，促进相关技术的进一步发展。

Mar, 2024

我们的调查分为两个主要部分：Neural Radiance Field在机器人领域的应用和Neural Radiance Field在机器人领域的进展，从Neural Radiance Field进入机器人领域的角度。在第一部分中，我们介绍和分析了一些可以在感知和交互方面在机器人领域中使用的工作。在第二部分中，我们展示了一些与改进Neural Radiance Field自身性质相关的工作，这对于在机器人领域中部署Neural Radiance Field是必不可少的。在回顾的讨论部分，我们总结了现有的挑战，并提供了一些有价值的未来研究方向供参考。

May, 2024

本研究评估了Neural Radiance Fields在工业机器人应用中的潜力，并提出了一种替代Structure from Motion预处理的方法，通过基于机器人运动学的度量尺度确定了精确的相机姿态，表明在具有挑战性的场景中具有明显优势，并展示了在缺乏真实数据的情况下，应用集成方法估计合成新视图的质量的初步结果。

May, 2024

Neural Radiance Fields (NeRF) is a real-time rendering technique for synthesizing 3D objects from 2D images, with a focus on examining the system perspective and identifying critical control knobs for improving performance on mobile devices.

Jun, 2024