本地样式化的神经光辐射场
本文提出了一种新的双向学习框架用于 3D 场景风格化，结合 2D 图像风格化网络和 NeRF，并引入了一种一致性损失函数来迁移 NeRF 的一致性先验知识到 2D 风格化网络中。实验结果表明，这种方法在视觉质量和长程一致性方面优于现有方法。
May, 2022
本文提出了 NeRF-Art，一种基于文本引导的 NeRF 风格化方法，采用新型的全局 - 局部对比学习策略和方向约束相结合的方法来实现同时控制目标样式的轨迹和强度的几何和外观变化，并采用一种重量正则化方法来抑制产生云状伪影和几何噪点的情况。
Dec, 2022
本研究提出了一种基于神经辐射场的三维场景风格化方法，采用新的训练方法，交替进行 3D 场景和风格化优化步骤，从而应用更加表现力的图像风格转移方法，生成高质量的具有交叉视角一致性的新视角图片。
Jul, 2022
本文提出了一种基于 Neural Radiance Fields 的 3D 场景风格化方法，包括了使用超网络将样式信息转移入场景表示、使用隐式表示模型将场景分离成几何和外观分支，并采用两阶段训练和修补子采样方法优化模型以在任意视角生成具有所需风格的场景。
May, 2021
本文提出了一种针对三维场景的逼真风格转移框架，可以通过 2D 样式图片实现 3D 场景的逼真样式转移，并使用波束特征优化三维场景并联合优化高层次网络，以实现任意风格图片的场景逼真样式转移，并证明该方法在视觉质量和一致性方面优于现有方法。
Aug, 2022
提出了一种称为 LipRF 的学习框架，该框架利用 Lipschitz 映射，升级任意 2D PST 方法用于 3D 场景，并在光线场重建和 2D PST 的先验下学习 Lipschitz 网络以进行预训练外观的风格化，实验证明 LipRF 在照片逼真 3D 美学和物体外观编辑方面具有高质量和鲁棒性能。
Mar, 2023
通过优化基于编码的场景表示与目标风格之间的关联，本文提出了一种针对稀疏视图场景的粗 - 精稀疏场景风格化框架，并采用内容强度退火的优化策略，实现了对稀疏视图场景的高质量风格化和更好的内容保留，通过大量实验验证了方法在风格化质量和效率方面的优越性。
Apr, 2024
通过使用神经辐射场（NeRF）和网格光栅化的混合框架，我们提出了一种解决 3D 面部风格迁移问题的方法，该方法能够在保持高质量几何重建的同时实现快速渲染，并且具有灵活的风格控制。
Nov, 2023
本文提出了一种 4D（3D 和时间）人体视频风格化的方法，该方法在同一个框架内解决了风格转移、新视角合成和人体动画的问题。通过利用神经辐射场（NeRFs）来表示视频，我们可以在渲染特征空间中进行风格化处理，从而实现对于新视角和新姿势的泛化。实验证明，该方法在风格纹理和时间连贯性方面取得了出色的平衡，优于现有方法，并可以适应新的姿势和视角，成为创作人体视频风格的多功能工具。
Dec, 2023
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