NeRF-SR 是一种高分辨率、低分辨率输入的新视角综合解决方案，基于神经放射场，利用超采样策略和改进网络，在没有外部信息的情况下，实现了高质量的新视角合成。

Dec, 2021

我们提出了一种 NeRF 的零样本超分辨率训练框架，通过单场景内部学习指导 NeRF 模型合成高分辨率的新颖视角，而无需外部高分辨率训练数据。我们的方法采用两个阶段，首先通过内部学习在预训练的低分辨率粗糙 NeRF 上学习场景特定的退化映射，然后通过反向渲染使用映射函数优化超分辨率细致 NeRF，并通过推理阶段引入时间集成策略来补偿场景估计错误。通过在公共数据集上进行大量实验，我们定性和定量地验证了我们方法的有效性。

Dec, 2023

该论文提出了 Super-NeRF 方法，通过对低分辨率输入进行 2D 超分辨率的控制，构建了一个一致性控制超分辨率模块，以生成视图一致的高分辨率 NeRF 模型，从而实现高分辨率细节的生成和跨视图一致性。

Apr, 2023

提出了一种名为 Arbitrary-Scale Super-Resolution NeRF (ASSR-NeRF) 的新型框架，通过使用 VoxelGridSR 模型在优化的体积上直接进行 3D 超分辨率 (SR) 操作，从而实现超分辨率新视角合成 (SRNVS)。通过在多样化场景上进行训练，可以确保模型的泛化能力，在训练过程中，对于使用低分辨率视角的未见场景，可以直接应用 VoxelGridSR 来进一步优化体积，并实现多视角一致的超分辨率 (SR)。实验证明，所提出的方法在 SRNVS 上取得了显着的性能提升。

Jun, 2024

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

DiSR-NeRF 是一个利用扩散引导的框架来实现视图一致的超分辨率 NeRF，该方法通过利用现有的强大 2D 超分辨率模型来规避高分辨率参考图像的要求，并通过 NeRF 的内在多视图一致性属性提出了迭代的 3D 同步技术来减轻 LR 渲染图像之间不一致的问题。通过 Renoised Score Distillation，我们进一步引入了一种新颖的用于 2D 图像分辨率的评分蒸馏目标函数。我们的 DiSR-NeRF 在合成和真实世界数据集上进行的定性和定量结果表明，与现有方法相比，我们的方法在 NeRF 超分辨率上可以取得更好的效果。

Apr, 2024

本研究提出了一种名为 MobiSR 的框架，针对超分辨率任务提供了高效的本地处理解决方案，其采用了模型压缩技术和新颖的调度器，在满足图像质量要求的前提下，实现最小处理延迟，与现有实现相比，可以达到 2.13 倍至 4.79 倍的加速。

Aug, 2019

作者提出了基于可微分不可视模块的 NeRF-ID 方法，该方法可以优化粗到精的采样策略，得到比 NeRF 和当前最先进算法更好的视图合成质量，并且显著降低计算时间。

Jun, 2021

本文提出了一种名为 SqueezeNeRF 的算法，相比于现有的视角生成算法 FastNeRF，SqueezeNeRF 在 GPU 进行推理过程中比 FastNeRF 更加高效，能够以超过 190 帧每秒的速度进行渲染，并且比 FastNeRF 节省了 60 多倍的内存空间。

Apr, 2022

提出了一种名为 Sharp-NeRF 的基于网格的 NeRF 技术，可以在半小时的训练时间内从模糊的图像中生成干净和清晰的图像，通过精确建模场景的清晰度 / 模糊度，并计算像素的清晰度水平以学习空间变化的模糊核，实验证明与之前的方法相比，具有更快的训练时间，并能生成色彩鲜艳、细节丰富的清晰新视图。

Jan, 2024