通过NeRF的方法来实现对于图像的View Synthesis, 本文提到了NeRF的成功之处以及在应用于大规模无界三维场景中进行改进，使其在360°的拍摄模式下提高拍摄质量。

Oct, 2020

使用连续值比特映射扩展NeRF,可以高效地渲染反锯齿锥体,提高了表现精细细节的能力,缩小了占用空间,降低了平均误差率

Mar, 2021

本研究提出了一种名为 mĩp-NeRF 360 的模型，通过应用非线性场景参数化、在线蒸馏和一种新的基于畸变的正则化器，克服了 3D 场景中存在的挑战，在高度复杂的未限定真实世界场景中减少了均方误差 57％，能够提供逼真的合成视图和详细的深度图。

Nov, 2021

Ref-NeRF通过替换NeRF的视角相关的出射辐射参数化为反射辐射参数来提高NeRF方法表示高光表面外观的准确性，并且使用一系列空间变化场景属性来构造该函数结构，同时结合法线向量的正则化，可以实现更加真实和准确的高光反射，此外，我们的模型的内部表示也具有可解释性，用于场景编辑。

Dec, 2021

该研究提出了一个新的框架用于实现对大型城市场景的高保真渲染，该框架运用了一种简化的多分辨率地面特征平面表示来捕捉场景，并通过另一个NeRF分支的位置编码输入进行补充，以联合学习的方式进行渲染。

Mar, 2023

使用渲染和信号处理中的思想，将 mip-NeRF 360 和基于网格的模型相结合，使误差比之前的技术低8%-76%，并且训练速度比 mip-NeRF 360 快22倍。

Apr, 2023

本文综述了近年来神经辐射场（NeRF）技术在3D渲染和视角合成领域的最新研究进展和其不同的架构设计。

Jun, 2023

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

通过将输入视图按照其视觉相似性划分为多个组，并在每个组上训练单独的模型，然后通过教师-学生蒸馏范式将这些专门模型的知识聚合为一个实体，我们重新设计了NeRF的训练范式，提高了其渲染质量并实现了空间效率。

Jan, 2024

本文介绍了一种名为mip-Grid的方法，它将消除深度学习模型渲染过程中的锯齿状失真问题与快速训练相结合的网格表示技术，通过生成多尺度的网格并使用尺度感知坐标检索不同尺度的特征，大大提高了渲染性能和训练速度。

Feb, 2024