本论文提出了一种机器学习算法，输入一个2D RGB图像并合成一个4D RGBD光场，用于场景的颜色和深度方向的射线，同时介绍了最大的公共光场数据集，以及应用的卷积神经网络。

Aug, 2017

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

该研究提供了一种基于连续体积参数化的方法，可以将场景表示为可以在新视点下进行渲染的3D表示，并且可在任意照明条件下呈现，包括间接光照效果，从而解决了以前的方法因光照环境变化而受限的问题。

Dec, 2020

本文提出了一种深度学习方法，用于复杂场景的新视角合成，通过将3D场景表示为光场，并采用两平面参数化的光场，用4D参数特征化光线，构建4D函数实现映射，最后采用全连接网络优化该函数并合成新视角，同时附加了per-ray depth预测，提高了光场渲染质量，实验表明本方法优于现有技术。

May, 2021

本文提出了一种紧凑且直接预测射线上积分辐射度的新型神经光场表示方法，支持小基线光场数据集每像素一次网络评估的渲染，并可应用于大基线场景。

Dec, 2021

本文介绍一种新的深度残差MLP网络用于学习Neural Light Field（NeFL），通过从预训练的NeRF模型中转移知识进行数据精馏，以此消除NeRF的迭代采样问题，在合成和现实场景下的实验结果表明，与其他算法相比，我们的方法在节省计算资源和提高渲染质量方面具有明显的优势。

Mar, 2022

利用单视图图像下不同点光源捕捉来学习神经场景表示，利用阴影和明暗等单目线索推断场景几何，并学习神经反射场，用于代表场景3D几何和BRDF。实验表明，该方法能够从单视图图像中恢复场景的3D几何，包括可见和不可见部分，适用于新视角合成和再照明等应用。

Oct, 2022

提出了一种名为NeRDF的新表示方法，旨在实现实时的高效视图合成，通过基频和频率权重的网络预测实现单像素每次只进行一次网络转发，并通过辐射分布进行体素渲染计算，相比现有方法在速度、质量和网络尺寸方面具有更好的权衡，实现了与NeRF相似的网络大小下约254倍的加速。

Aug, 2023

我们的研究引入了一种将重照和内在分解相结合的方法，通过利用场景中的光变化生成伪标签，为内在分解提供指导，同时确保对不同场景类型的稳健性，并减少对预训练模型或手工先验的依赖。我们在合成和真实世界数据集上验证了我们的方法，并取得了令人信服的结果。此外，我们的方法在图像编辑任务中的适用性显示出了有希望的结果。

Jun, 2024

本研究解决了光滑物体逆向渲染中缺乏定量评估的难题，提出了一种创新的可重光照神经逆向渲染系统。该系统通过两阶段学习方法，优化场景参数因子的分解，并在重光照阶段显著提高间接照明质量。实验表明，该算法在逆向渲染和重光照方面达到最先进的性能，尤其在高度反射物体的重建上表现出色。

Sep, 2024