该研究将神经辐射场（NeRF）扩展到动态大规模城市场景。使用有标记和无标记的数据，通过光度、几何和特征度量重建来将动态场景分解为静态背景、个体对象和它们的运动，并在 novel-view synthesis, unsupervised 3D instance segmentation 和 unsupervised 3D cuboid detection 等多种任务中显示出优异性能。

Mar, 2023

本文介绍了一种自我监督的方法 D^2NeRF，可以基于单目视频学习 3D 场景，分离动态物体与静态背景，实现影子的分离与消除，并在各种场景下获得较好的效果。

May, 2022

实体 - 神经辐射场（Entity-NeRF）是一种结合了基于知识和统计策略的创新方法，通过利用实体分割和静态实体分类来消除移动物体并准确重建静态城市背景。在移动对象遮罩的城市场景数据集上进行的综合实验表明，Entity-NeRF 在定量和定性上明显优于现有技术。

Mar, 2024

本研究利用迄今为止最新的神经辐射场技术，通过引入物体场组件从 2D 视野中学习 3D 空间中所有个体物体的独特代码，并引入反向查询算法以自由地操作学习场景表示中特定的 3D 物体形状，进而解决物体碰撞和视觉遮挡等关键问题，能够准确地从 2D 视野中分解和操作 3D 场景的研究方法被称为 DM-NeRF。

Aug, 2022

提出了一种名为 “启发式引导分割”（HuGS）的新范式，通过将手工制作启发式规则和最先进的分割模型的优点巧妙地结合在一起，显著增强了静态场景与瞬态干扰物的分离能力，同时克服了以往解决方案的局限性，可显著减少 NeRFs 训练中非静态场景下的不希望伪影问题。

Mar, 2024

本论文提出了一个统一的神经辐射场（NeRF）框架，以有效地进行场景分解和合成，用于建模现实世界场景，通过学习不同对象的解耦 3D 表示进行场景编辑，同时为新颖视角合成建模整个场景表示。

Aug, 2023

我们提出一种高效的神经 3D 场景表示方法，用于大规模、动态的城市地区的新视点合成 (NVS)。该方法可以适用于混合现实或闭环仿真等应用，具有较高的可视质量和交互式渲染速度。我们引入 4DGF，一种适用于大规模动态城市地区的神经场景表示方法，它可以处理异构输入数据，并显著提高渲染速度。在实验中，我们的方法的峰值信噪比 (PNSR) 超过最先进方法 3 分贝以上，渲染速度提高了 200 倍以上。

Jun, 2024

我们提出了一种适用于动态城市环境的新颖分解辐射场方法，通过多级神经场景图表示来估计大规模动态区域的辐射场，并采用快速复合光线采样和渲染技术进行有效的训练和渲染，通过新的视图合成基准测试，我们证明了该方法在更多方面的性能优于先前的方法。

Mar, 2024

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

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