本文提出了 D-NeRF 方法，将神经辐射场扩展到动态领域，允许从单个相机围绕场景重建和渲染对象的新图像。通过将时间作为系统的额外输入，并将学习过程分为两个主要阶段，可以同时学习两个映射，实现控制相机视图和时间变量以及物体移动的目的。

Nov, 2020

本论文提出了 DCT-NeRF，一种基于坐标的神经表示方法，用于动态场景的高质量重建，它学习空间中每个点的平稳和稳定轨迹，并强制执行序列中任意两帧之间的一致性。

May, 2021

我们提出了一种新颖的框架，使用三面体平面作为基本 NeRF 表示，并将面的三个部分分解为：规范三面体平面、身份形变和运动。在运动控制方面，我们的主要贡献是提出了一个平面字典（PlaneDict）模块，它将运动条件高效地映射到可学习的正交平面基的线性加权相加。据我们所知，我们的框架是第一个在没有 3D 参数模型先验的情况下实现一次性多视角面部重现的方法。大量实验表明，我们在细粒度运动控制和身份保持方面产生了比以前的方法更好的结果。

Dec, 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

本篇论文提出了一种新的方法，通过将 NeRFs 融合为可与高度并行的图形渲染管线完全兼容的高效网格神经表示，使用屏幕空间卷积，来提高外观的质量和整个框架的表现。

Apr, 2023

本研究提出了一种时间变化的表示方法，用于跟踪和重建动态场景，并使用动态选择策略的神经辐射场结合同时定位和建图框架，实现了更有效的动态建图方法。

Oct, 2023

该论文主要研究使用神经辐射场（NeRF）方法对合成和真实场景进行 3D 重建，包括利用多分辨率哈希编码等技术在静态和动态场景重建方面的研究。其中，还着重探讨了神经辐射场（D-NeRF）对动态场景重建的应用，并成功将其推广至真实世界动态场景。

Oct, 2022

提出了 TriNeRFLet，一种基于二维小波的多尺度 Triplane 表示的新方法，该方法在三维恢复表现上优于传统 Triplane 方法，并结合扩散模型进行超分辨率，提高了 NeRF 的分辨率。

Jan, 2024

使用变形的多层感知器（MLP）网络捕捉动态偏移的高斯点并通过哈希编码和小型 MLP 来表示点的颜色特征，引入可学习的去噪掩模结合去噪损失以从场景中消除噪点，通过静态约束和运动一致性约束减轻点的运动噪声，实验证明我们的方法在渲染质量和速度上超过了现有方法，同时显著减少了与 3D-GS 相关的内存使用，非常适用于新的视角合成和动态建图等任务。

May, 2024

提出了 OD-NeRF，它可以实现动态三维场景的流式训练和渲染，并在实现帧间隐式跟踪和采样方面取得了重要进展。

May, 2023