我们提出了一种创新的、适用于 NeRF 表示的数字水印方法，通过在渲染过程中使用离散小波变换，结合延迟反向传播技术和区块损失，实现了嵌入二进制信息的高质量渲染。通过在 2D 渲染图像中评估嵌入水印的容量、隐形性和鲁棒性等方面，我们的方法在训练速度上比与现有的最先进方法更快，并获得了最先进的性能。

May, 2024

本文介绍了一种叫做 RawNeRF 的技术，它可以直接从线性原始图像中进行训练，生成高动态范围的新视角合成图像，重构低光照条件下极其嘈杂的原始图像所代表的场景。

Nov, 2021

该研究使用神经辐射场方法处理像素错位和噪声问题来提升拍摄设备的图像质量和降噪能力。

Apr, 2022

本文评估了使用受限的真实世界数据来训练神经辐射场中的单个对象表示的质量，并介绍了一种将场景分解成多个基于对象的 NeRF 的流水线，使用嘈杂的对象实例掩码和边界框，并评估了该流水线对噪声位姿、实例掩码和训练图像数量的敏感性。

Apr, 2022

该研究提出了一种基于神经辐射场（NeRF）技术的生成全息图的新方法。使用深度神经网络在合理的时间内构建了从 2D 图像生成的 3D 光场的渲染流程，包括 NeRF、深度预测器和全息图生成器，而不需要任何物理计算。通过该流程，可以计算从任意方向观看的 3D 场景的预测全息图。研究还展示了仿真和实验结果。

Mar, 2024

提出了 Stochastic Neural Radiance Fields (S-NeRF) 作为一种泛化标准 NeRF 的方法，在机器学习中使用贝叶斯学习框架进行优化，得出可以量化与模型估计相关的不确定性的概率分布，为场景信息提供了更可靠的预测和置信度值。

Sep, 2021

利用预训练模型和多模态模型，提出了一个简单的框架，实现了神经辐射场（NeRFs）嵌入与图像和文本之间的双向映射，这种映射开辟了一些新的有用应用，包括 NeRF 零样本分类和从图像或文本中检索 NeRF。

Apr, 2024

该研究提出了一种全面的知识产权 (IP) 保护框架，名为 IPR-NeRF，用于保护 Neural Radiance Field (NeRF) 模型的版权，其中包括黑盒模式和白盒模式两种设置。

Jan, 2024

本研究通过一个创新的攻击方法，引入了一个保护用户隐私免受神经辐射场（NeRF）模型生成能力影响的方法。我们的方法通过对被观察视图进行几乎不可察觉的改动，从而扰乱了 NeRF 对 3D 场景的准确重构能力。我们使用一个双层优化算法，结合了基于投影梯度下降（PGD）的空间变形方法。在两个常见的 NeRF 基准数据集上广泛测试了我们的方法，这些数据集包含 29 个高质量图像的真实场景。实验结果明显表明，我们的隐私保护方法明显地影响了 NeRF 在这些基准数据集上的性能。此外，我们还展示了我们的方法的适应性和多功能性，适用于各种扰动强度和 NeRF 架构。本研究对于了解 NeRF 的漏洞并在开发强大的 3D 场景重构算法时考虑到潜在的隐私风险提供了有价值的见解。我们的研究对于探讨负责任人工智能和生成式机器学习，并旨在保护用户隐私和尊重数字时代的创造性所有权具有重要意义。

Oct, 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