我们提出了 LoD-NeuS，一种用于高频几何细节恢复和抗锯齿新视图渲染的高效神经表示。我们借鉴了具有细节级别的基于体素的表示，引入了一种多尺度三平面场景表示方法，能够捕捉有符号距离函数和空间辐射的细节级别。我们的表示通过沿射线在锥体锥内进行多次卷积特征化来聚合空间特征，并通过可微分渲染优化细节级别特征体积。此外，我们提出了一种误差引导的采样策略，在优化过程中引导有符号距离函数的增长。定性和定量评估表明，与最先进的方法相比，我们的方法在表面重建和逼真视图合成方面取得了优越的效果。

Sep, 2023

本文提出了一种新型的神经场景表示法，Light Field Networks (LFNs)，其可实现基于单一神经网络评估的 360 度四维光场参数化的几何和外观，通过元学习优化 LFNs 的先验使其能够从单个图像观察中实现多视角一致的光场重建，从而实现了实时渲染，并能够从 LFNs 中提取稀疏深度图。

Jun, 2021

本研究提出了一种新的基于 CNN 的光场显著性检测框架，提出了三个新颖的 MAC（模型角度改变）块来处理光场微透镜图像，同时还建立了一个大规模的数据集和标准，可以用来训练更深的神经网络和进行评测，实验证明，我们的方法在该数据集上明显优于现有的最先进方法，并在其他数据集上具有理想的泛化能力。

Jun, 2019

本文提出了一种基于光场的物体中心化组合场景表示法，通过无监督的方式学习神经场景表示，显著提高了场景渲染的速度和质量。

May, 2022

本文提出了一种名为 Deep Surface Light Field（DSLF）的新型神经网络技术来高保真渲染，它可利用不同的采样模式和预测能力填充缺失数据，同时通过图像配准和纹理感知重新网格化以避免模糊，大幅提高了数据压缩比和 GPU 渲染效率。

Oct, 2018

该研究提出了一种基于学习的解决方案，用于对来自灯光舞台的人脸扫描进行超分辨率处理，以便在查询位置生成逼真的阴影和高光，同时避免由于舞台灯光采样不足而导致的伪影等众多偏差。

Oct, 2020

采用神经隐式点光场方法实现体积渲染，通过几百个样本进行射线投射，通过点云实现大场景动态渲染视频，与现有的方法相比，新方法的视角预测能力更强。

Dec, 2021

我们提出了一种方法，可以从单个观测图像中重建目标场景的连续光场。我们的方法综合了两个方面的优点：联合孔径曝光编码用于压缩光场获取以及神经辐射场（NeRF）用于视图合成，从而实现高质量的连续光场重建。

Nov, 2023

本文提出了一种基于四维光场表示的双阶段变压器模型，旨在弥合几何重建和经典光场渲染之间的差距，通过强制约束几何约束，使得场景几何隐含在稀疏的视角学习中，并在多个前向和 360 度数据集上超越了最先进技术，尤其是在视角变化剧烈的情况下。

Dec, 2021

通过使用层次结构的三维高斯，本研究提出了一种在非常大的场景中保持视觉质量的方法，同时提供了有效的远程内容的适当级别选择和平滑过渡的有效细节解决方案。

Jun, 2024