本文介绍了 MultiPlaneNeRF 模型，该模型可从 2D 图像中直接产生非可训练的表示，并可通过大量数据的训练来实现推广，以及在生成新视角方面达到业界领先水平。

May, 2023

该论文提出了一种新颖的自适应表示方法，即基于四面体和 Delaunay 表示的方法，用于 Neural Radiance Fields，该方法在视角合成和三维重建方面具有最先进的结果。

Apr, 2023

Dynamic Neural Radiance Fields（Dynamic NeRF）提升了 NeRF 技术以对移动场景建模，然而，它们需要大量资源且难以压缩。为解决该问题，本文提出了 WavePlanes，一种更快且更紧凑的显式模型。我们提出了一个多尺度空间和时空特征平面表示，使用 N 级 2D 小波系数。逆离散小波变换重构了 N 个特征信号，具有不同的细节，线性解码以近似 4D 网格中体积的颜色和密度。利用小波系数的稀疏性，我们压缩了一个哈希映射，仅包含非零系数及其在每个平面上的位置。这导致压缩模型大小约为 12 MB。与最先进的基于平面的模型相比，WavePlanes 小了多达 15 倍，计算需求较低，并在仅一个小时的训练内实现了可比拟的结果 - 无需定制 CUDA 代码或高性能计算资源。此外，我们提出了新的特征融合方案，其效果不亚于以前提出的方案，同时提供更大的可解释性。我们的代码位于：this https URL

Dec, 2023

本研究提出了 Temporoal Tri-Plane Radiance Fields（TeTriRF），通过引入三平面和体素网格的混合表示方法，支持长时序列和场景的大规模扩展，并使用现成的视频编解码器，实现与现有技术相比一个数量级的存储空间减小，同时保持高压缩率和竞争性的质量。

Dec, 2023

通过稀疏的三平面编码和分层捆绑调整，我们提出了一种能够在高分辨率上实现快速而高质量跟踪和建图的方法，该方法仅使用了常用三平面参数的 2~4% 的存储空间。

Apr, 2024

Neural Radiance Fields (NeRFs) are a new representation of 3D scenes for view synthesis and image-based rendering, widely used and extended by thousands of papers, with potential for future advancements in 3D representations.

Aug, 2023

通过在线学习检测稠密的三维平面，PlanarNeRF 在计算机视觉中具有重要作用，它的灵活架构允许在 2D 监督和自监督解决方案中有效学习，显著提高了训练效率。

Dec, 2023

通过引入方向感知表达（DaRe）方法和逆双树复波变换（DTCWT），本研究解决了对复杂动态场景进行建模和重渲染的挑战，提供了一种用于复杂动态场景的新颖视角综合方法（DaReNeRF），在保持较低存储需求的同时显着改进了训练速度和性能。

Mar, 2024

提出了一种基于超网络范例的少样本学习方法，通过从训练数据中收集信息并生成通用权重的更新，实现了从少量图像中一步生成高质量的 3D 物体表示的高效方法。通过与最先进的解决方案进行直接比较以及全面的剔除研究，证实了该方法的有效性。

Feb, 2024

该研究提出了一个新的框架用于实现对大型城市场景的高保真渲染，该框架运用了一种简化的多分辨率地面特征平面表示来捕捉场景，并通过另一个 NeRF 分支的位置编码输入进行补充，以联合学习的方式进行渲染。

Mar, 2023