我们提出了一种从任意图像向 3D 场景中的物体转移风格的方法，旨在通过最近邻损失的运用实现更加可定制和风格化的场景图像创作，并确保多视角一致性。

Sep, 2023

提出了一种具有更高 3D 风格转移质量的 StyleRF 技术，该技术在辐射场的特征空间内进行样式转换，实现了准确的几何重建、高质量的风格化和具有拓展性的任意新样式的生成。

Mar, 2023

StyleDyRF 是一种处理动态场景的 4D 样式转移方法，通过变形规范特征体积并使用数据驱动的方式学习线性样式转换矩阵，从而在零样本的情况下生成 4D 逼真的样式转移结果，并在视觉质量和一致性方面优于现有方法。

Mar, 2024

该研究使用基于参考图像的非真实辐射场方法对 3D 场景进行样式化处理，该方法利用 2D 参考图像来获取伪光线监督并填充遮挡区域，使其能够产生非真实感的连续新视图序列。

Dec, 2022

FPRF 是一种用于大规模三维神经辐射场的前馈光真实主义风格转移方法，它可以使用任意数量的风格参考图像对大规模三维场景进行风格化，同时保持多视角外观的一致性。它通过引入风格分解的三维神经辐射场来高效地风格化大规模三维场景，支持任意风格参考图像，并使用语义对应匹配和局部 AdaIN 实现多参考风格化，并通过在三维空间中直接应用语义匹配和风格转移过程来维持多视角的一致性。实验证明，FPRF 能够以高质量实现对大规模场景进行光真实主义风格化。

Jan, 2024

本研究提出了一种基于神经辐射场的三维场景风格化方法，采用新的训练方法，交替进行 3D 场景和风格化优化步骤，从而应用更加表现力的图像风格转移方法，生成高质量的具有交叉视角一致性的新视角图片。

Jul, 2022

我们提出了一种基于局部风格转移的 NeRF 风格化框架，利用哈希网格编码来学习外观和几何组件的嵌入，并通过优化外观分支并保持几何分支固定来实现风格化，使用分割网络和二分图匹配来建立样式图像和内容图像之间的区域对应关系，实验证明我们的方法在新视角合成方面得到了合理的风格化结果，并通过操纵和自定义区域对应关系具有灵活的可控性。

Sep, 2023

本研究中，我们介绍了一种新方法，通过联合估计静态和动态辐射场以及相机参数来解决使用 SfM 算法估计相机姿态时的不稳定性问题，实验证明此方法比现有的动态视图合成方法表现优异。

Jan, 2023

本文提出了一种针对三维场景的逼真风格转移框架，可以通过 2D 样式图片实现 3D 场景的逼真样式转移，并使用波束特征优化三维场景并联合优化高层次网络，以实现任意风格图片的场景逼真样式转移，并证明该方法在视觉质量和一致性方面优于现有方法。

Aug, 2022

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