通过构建多尺度编码体积和提供多尺度几何信息给 NeRF 模型，本文在新颖视角合成和密集几何建模方面提出了一种先进行深度预测和辐射场重建，以使构建的体积尽可能接近场景中物体的表面和渲染的深度更准确，然后通过深度引导的邻域特征融合，提高点体积特征的质量，从而实现了对场景进行优化而不是对单个场景优化的结果。

Jul, 2023

NeRFusion 提出了一种方法，通过将 NeRF 和 TSDF-based fusion 技术结合起来，实现了大规模室内场景的高效重建和逼真渲染，使用全新的循环神经网络来递增地重建实时稀疏场景表示，进一步提高了渲染质量，取得了大规模室内和小型物体场景的最先进质量，并比 NeRF 和其他最新方法重建速度更快。

Mar, 2022

从由摄像头和扫描器捕捉的 RGB 图像和激光雷达扫描序列中，使用我们的扩展方法，生成具有深度信息的 3D 表面，以及合成新颖的 RGB 图像。

Nov, 2021

使用少量照片重建现实场景的方法，通过在合成和多视图数据集上训练的扩散先验来对新视角的合成进行规范化，从而在超约束区域综合出逼真的几何和纹理，同时保持观察区域的外观。与以前的少视图 NeRF 重建方法相比，我们在各种真实世界数据集上进行了广泛评估，包括正向和 360 度场景，并展示了显著的性能改进。

Dec, 2023

本文研究了从稀疏源观测中合成新视角的问题，提出了一种简单而有效的方法，通过将观测编码到体积表示中进行摊销渲染，并通过自我监督信号实现了对 3D 几何的有效学习。

Jul, 2021

本文提出了一种混合辐射场表示方法，用于无界沉浸式光场重建，支持高质量渲染和激进的视点外推。主要思想是首先形式上将前景和背景分开，然后在训练过程中自适应地平衡对它们的学习。为了实现这一目标，我们将前景和背景表示为两个具有不同空间映射策略的辐射场。我们进一步提出了一种自适应采样策略和分割正则化器，以实现更清晰的分割和稳健的收敛。最后，我们贡献了一种新颖的沉浸式光场数据集，名为 THUImmersive，与现有数据集相比，具有实现更大空间 6DoF 沉浸式渲染效果的潜力，通过捕获同一场景的多个相邻视点，以刺激沉浸式光场领域的研究和增强现实 / 虚拟现实应用。广泛的实验证明了我们的方法在无界沉浸式光场重建方面的强大性能。

Sep, 2023

在虚拟探索中，我们提出了一种实用且强大的深度学习算法来捕捉和呈现复杂实景的新视图，该算法通过从不规则采样的视图网格中渲染新视图，并通过邻近局部光场进行混合来实现。我们将经典的光场采样理论扩展到适用于我们的算法的场景采样。实践中，我们利用该算法捕捉和渲染实景的视图，其感知质量达到 Nyquist 率视图采样的水平，并且使用的视图数量只有 Nyquist 率的 1/4000。此外，我们还开发了一个增强现实智能手机应用程序，用于指导用户捕捉场景的输入图像，并在桌面和移动平台上实现了实时虚拟探索。

May, 2019

本研究提出了一种基于卷积神经辐射场的方法来解决现有方法中存在的问题，在新颖视角综合方面取得了显著的结果。

Jul, 2023

本文介绍了一种使用深度神经网络进行视图综合和图像合成的方法，通过连续的体积场函数来优化复杂场景的视图，并在神经辐射场方面取得了最新的研究成果。

Mar, 2020

通过 Re-Nerfing 方法，我们在 Neural Radiance Fields 的基础上使用多阶段的方法增加场景的覆盖范围，提高新视角的几何一致性，并通过新合成的图像实现结构和极线约束的优化，对 mip-NeRF 360 数据集进行的实验证明了 Re-Nerfing 的有效性。

Dec, 2023