该文提出了一种基于新视角预测误差的统一评估方法，能够分析可以从输入图像中渲染新视角的任何方法的视觉质量，该方法不需要地面真实几何信息，并能够在获取和重建过程中评估未知场景的质量， 适用于评估各种使用情况。

Jan, 2016

介绍了一种基于多视角渲染的新型的神经渲染方法，该方法可以进一步优化场景属性，包括深度和重投影特征，从而实现改善的新视图合成。

Sep, 2021

本研究提出了一种新的深度学习点云渲染管道，通过多平面投影将点云特征投射到摄像机视锥体的分层体积中，然后通过卷积神经网络产生多层图像，并根据学习到的权重混合图像，最终实现对具有挑战的场景进行更稳定的渲染。

Dec, 2019

本研究提出了一种基于点的方法，使用可学习的神经描述符来编码局部几何和外观信息，并学习深度渲染网络生成具有照片般逼真感觉的场景视图，同时避免显式表面估计和网格化，并适用于各种复杂场景，包括使用 RGB-D 传感器与标准 RGB 相机进行扫描的场景。

Jun, 2019

利用点引导机制实现精确和高效的多视图重建，通过优化神经投影模块和隐式表面表示，提高面向细节和光滑区域的高质量曲面重建，并且对噪声和稀疏数据具有很强的鲁棒性。

Oct, 2023

本文提出了一种名为 FVNet 的新型框架，用于从点云中生成 3D 前置视图建议和对象检测，以及估算 3D 边界框参数。

Mar, 2019

该论文介绍了一种基于神经渲染的深层结构，可以在实时中进行补全、超分辨率、去噪，取得高质量图像，适用于虚拟和增强现实头盔，大大改善了用户的使用体验。

Nov, 2018

本文提出了一种基于变分关系点补全网络（VRCNet）的框架，采用概率建模和关系增强技术，实现对不完整点云进行准确重建，并达到对部分点云进行 3D 分类和模型识别的目的。

Apr, 2023

提出一种将神经点表示和神经体渲染结合的方法，使用高分辨率 UV 位移贴图约束神经点来实现更准确的表情控制，通过使用 GEP 射线采样策略和轻量级辐射解码过程，提高了渲染和训练效率。在 Multiface 数据集上通过实验验证了该方法的有效性。

Jul, 2023

本文提出了一种基于变分框架的点云重建方法 (Variational Relational point Completion network - VRCNet)，该方法采用了概率建模和关系增强技术实现点云的精细局部重建，同时给出了一个包含 10 万多个高质量扫描的多视角局部点云数据集 (MVP 数据集)，实验证明 VRCNet 在标准点云重建基准上的性能优于目前的最先进方法，并且在真实世界点云扫描中表现出了很好的泛化性和鲁棒性。

Apr, 2021