CT-NeRF 是一种仅使用 RGB 图像而不需要姿态和深度信息的增量重建优化管道，通过本地 - 全局捆绑调整和重投影几何图像距离约束，实现对相机姿态和场景结构的恢复，能够处理具有复杂轨迹的场景，并在新视角合成和姿态估计准确度方面优于现有方法。

Apr, 2024

IR-NeRF 通过引入隐式姿态正则化来改善对真实图像的姿态估计鲁棒性，实现了卓越的新视角合成，并在多个合成和真实数据集上持续优于现有技术。

Aug, 2023

iNeRF 是一种基于 “倒置” 神经辐射场（NeRF）的框架，它可以通过合成图像与观察图像像素之间的残差最小化来实现无网格姿态估计。实验表明，iNeRF 可以应用于复杂的真实场景中，还可以执行目录级别物体姿态估计。

Dec, 2020

通过增量式运动结构 (SfM) 启发的相机参数自由神经辐射场 (CF-NeRF) 模型，逐渐重建三维表示并恢复相机参数，能够鲁棒处理相机旋转场景，并在不提供先验信息和约束的情况下实现最先进的结果。

Dec, 2023

神经辐射场是一种有效的新视点合成和三维场景重建方法。我们提出了一种连续学习框架，通过回放方法结合混合的显式和隐式场景表示来训练神经辐射场，从而在连续设置中优于先前方法的重建质量，并在速度上有数量级的提升。

Sep, 2023

本文提出了一种名为 LU-NeRF 的方法，通过利用放松姿态配置的放松姿态配置来同时估计相机姿态和神经辐射场，通过局部到全局的优化和姿态同步等步骤， 在一般的 SE（3）姿态设置下，无需对姿态先验进行强制约束，相比先前无姿态配置进行的 NeRF 试验表现更佳，这也使得其为特征基于的 SfM 管道提供了互补的选择。

Jun, 2023

我们旨在改进反转神经辐射场（iNeRF）算法，将图像姿态估计问题定义为基于 NeRF 的迭代线性优化。通过扩展具有基于深度的损失函数的本地化优化目标，引入基于多图像的损失函数，省略层次化采样以提高收敛速度并扩展收敛基。

Oct, 2023

提出了 GNeRF 框架，将生成对抗网络（GAN）与神经辐射场（NeRF）重建结合起来，应用于复杂场景的视角合成。该框架通过两个阶段的端到端优化，解决了较少研究的未知相机姿态外部场景问题，并在多种场景中取得了优异的效果。

Mar, 2021

本文提出将新视角合成应用于机器人重定位问题，通过 NeRF 类算法所渲染的额外合成数据集，从内部表示的三维场景几何形态中选择虚拟相机位置，进一步改进了姿态回归器的定位精度，结果大幅降低了 Cambridge 地标和 7 景数据集的误差，并将精度与基于结构的方法相媲美，无需架构修改或领域适应性约束，因为该方法允许几乎无限产生训练数据，我们调查了在公共基准数据集上进行训练所使用的数据大小和分布对相机姿态回归的限制，得出结论，姿态回归精度在很大程度上受到相对较小且有偏的数据集的限制，而非姿态回归模型解决本地化任务的能力。同时，采用合成的逼真且具有几何一致性的图像进行数据增强。

Oct, 2021

本文提出了一种基于神经辐射场（NeRF）的两阶段流程，通过标准化具有不同光照和阴影条件的图像来改善相机重定位，并在基于哈希编码的 NeRF 上实现场景表示，进一步利用重新设计的截断动态低通滤波器（TDLF）和数值梯度平均技术来解决网格化 NeRF 中的噪声图像梯度计算问题，实验证明我们的方法在不同光照条件下的相机重定位取得了最先进的结果。

May, 2024