本文提出了一种名为 Oblique-MERF 的方法，在处理倾斜航拍照片重建 3D 场景时，通过引入一个创新的自适应占用平面和一个平滑正则化项来解决独特的数据特征，从而超越当前最先进的实时方法，降低 VRAM 使用量约 40％并在大多数视点上实现更高的渲染帧率和更逼真的渲染效果。

Apr, 2024

提出了 MVSNeRF，这是一种新颖的神经渲染方法，可以通过快速网络推理从仅三个附近输入视图重建辐射场，利用平面扫描代价体进行几何感知场景推理，并将其与基于物理的体积渲染相结合，能够横跨场景（甚至是室内场景）泛化，并仅使用三个输入图像生成逼真的视图合成结果，比类似工作在可推广的辐射场重建方面表现显著优越。

Mar, 2021

SfMNeRF 提出了一种基于神经辐射场的方法，结合自监督深度估计方法对样本进行重构，同时利用极线和光度一致性等约束构建 3D 场景几何图像，提高了神经辐射场的表现，实现了更好地合成新视角。

Apr, 2023

我们提出了多基线辐射场（MuRF），这是一种解决在多个不同基线设置（小和大基线以及不同数量的输入视图）下的稀疏视图合成的通用前向方法。通过将三维空间离散化为与目标图像平面平行的平面，并相应地构建目标视图截锥体，以呈现目标新视图。这种目标体积表示与目标视图在空间上对齐，有效地聚合了输入视图的相关信息以实现高质量的渲染。由于其轴对齐的性质，它还便于用卷积网络进行后续的辐射场回归。通过卷积网络对建模的三维上下文，我们的方法能够合成比以往的工作更清晰的场景结构。我们的 MuRF 在多个不同的基线设置和从简单对象（DTU）到复杂的室内和室外场景（RealEstate10K 和 LLFF）的不同场景中实现了最先进的性能。我们还展示了在 Mip-NeRF 360 数据集上有良好的零样本泛化能力，证明了 MuRF 的广泛适用性。

Dec, 2023

文章提出了 FastNeRF 方法，通过图形学中的因式分解实现深度辐射图的高效缓存和查询，可在高端消费者 GPU 上以 200Hz 的速率呈现高保真度的照片般逼真的图像，比原始 NeRF 算法快 3000 倍，同时保持视觉质量和可扩展性。

Mar, 2021

本文提出了一种名为 Residual Radiance Field (ReRF) 的新技术，用于高效压缩长时间动态场景的实时自由视点视频渲染，借助全局坐标小型 MLP 作为特征解码器。通过使用紧凑的运动网格以及残差特征网格来利用帧间特征相似性，我们表明这样的策略可以处理大运动而不降低质量，并且提供了一个特殊的 FVV 编解码器和一个 ReRF 播放器，支持在线流式传输长时间动态场景的 FVVs，并通过大量实验展示了 ReRF 在动态辐射场紧凑表示方面的有效性。

Apr, 2023

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

我们提出了一种多空间神经辐射场（MS-NeRF），通过在并行子空间中表示场景的特征场组，以更好地理解神经网络对具有反射和折射性物体的存在的情况，从而实现了对现有 NeRF 方法的增强，且仅需要小的计算开销。在由 25 个合成场景和 7 个具有复杂反射和折射的真实捕捉场景组成的新颖构建数据集上进行的比较表明，我们的方法比现有的单空间 NeRF 方法在渲染复杂光路的镜像对象的高质量场景方面表现显著优于现有的单空间 NeRF 方法。

May, 2023

SlimmeRF 是一种通过降低模型尺寸和准确性的算法，适用于带有不同计算预算的场景，并通过 Tensorial Rank Incrementation（TRaIn）逐渐增加模型张量表示的秩来实现快速的测试时间性能权衡。

Dec, 2023

本文提出 EfficientNeRF，一种高效的基于 NeRF 的方法，用于表示 3D 场景和合成新视图图像。通过在粗略和精细阶段分别提出有效的和关键的采样方法，以显著提高采样效率。同时，设计一种新的数据结构来加速整个场景的缓存以加速渲染速度。结果表明，本方法可以缩短 88% 以上的训练时间，实现超过 200 FPS 的渲染速度，而仍保持竞争力的准确性，从而促进 NeRF 在现实世界中的实际应用和推广。

Jun, 2022