提出 DyBluRF 方法，通过在受到运动模糊的单目视频中捕捉相机轨迹和场景内物体的离散余弦变换 (DCT) 轨迹，以及采用全局跨时间渲染方法来实现生成高质量、清晰的新视角，并保持场景的时空一致性。在经过特定定制的多样化动态场景数据集上进行的实验结果表明，该方法在从运动模糊输入生成清晰的新视角并保持场景的时空一致性方面优于现有方法。

Mar, 2024

提出了 Deblur-NeRF 方法，采用分析合成方法重建模糊视图，通过 Deformable Sparse Kernel 模块对空间可变模糊核进行建模，共同优化 NeRF 和 DSK 模块，从而恢复锐利的 NeRF。

Nov, 2021

本篇论文提出一种基于体积图像渲染的新方法，通过汇集场景相邻视野的特征，以动态场景感知的方式合成新视点，从而在长视频中合成具有真实感的新视图，能够更好地应对复杂的场景动力学和不受限约束的相机轨迹。

Nov, 2022

该论文提出了一种新的非刚性动态场景重建和新视角合成方法 ——NR-NeRF，该方法能够使用一个便携式消费级相机拍摄到的动态场景的 RGB 图像创建高质量的时空几何和外观表示，并且可以生成复杂的渲染场景。

Dec, 2020

提出一种名为 D"aRF 的新框架，通过在线互补训练将 monocular depth estimation （MDE）网络的强大几何学优势与 Neural radiance fields（NeRF）表示相结合，通过缓解单眼深度的歧义问题来提高其鲁棒性和一致性，在少量真实世界图像情况下实现了强大的 3D 重建和新视角综合，成功解决了现有方法在不同类型场景或数据集上的局限性。

May, 2023

ExBluRF 是一种基于高效辐射场优化的极度运动模糊图像视图合成方法，通过在训练中优化尖锐的辐射场，同时估计生成模糊图像的相机轨迹，从极度模糊的图像中获取相机轨迹信息和辐射场。与现有方法相比，这种方法在更短的训练时间和 GPU 内存消耗下恢复了更锐利的 3D 场景。

Sep, 2023

本文提出 DP-NeRF 框架来处理受影响的图片，通过两个物理先验从实际模糊处理中获得刚性模糊核以实现三维一致性，结合深度和模糊之间的关系来细化颜色构图误差，且通过实验结果得出 DP-NeRF 成功提高构建 NeRF 的感知质量，保证 3D 几何和外观一致性。

Nov, 2022

通过神经辐射场来区分整个动态场景中的背景分布并从静态背景中抽取出对象， 从而提供高质量的视图合成和 3D 解决方案。

Jan, 2023

通过预定制技术在视频帧上微调预训练的 RGB-D 扩散模型，然后将知识从微调的模型提取到包含动态和静态神经辐射场（NeRF）组件的 4D 表示中，实现几何一致性并保持场景的一致性，从而进一步推进动态新视角合成。

Jan, 2024

我们的研究目标是从复杂动态场景的单目视频中生成高质量的新视图。为了解决过去方法在准确建模复杂物体运动方面的局限性，我们提出了一种新方法，结合了近期的广义 NeRF 和在时间和频率域中操作的模块，以改善动态场景的图像合成的精确度和视觉质量。

Jan, 2024