我们提出了一种名为pixelNeRF的学习框架，可以在仅有一张或几张输入图像的条件下预测连续的神经场景表示。与现有方法相比，我们的体系结构不需要每个场景都进行优化，从而使得在仅有一张图像的情况下就可以执行视角的合成和单幅图像的三维重建。经过大量的实验证明，我们的模型在形状、类别和实景等方面都优于现有的最先进技术。

Dec, 2020

文章提出了 FastNeRF 方法，通过图形学中的因式分解实现深度辐射图的高效缓存和查询，可在高端消费者 GPU 上以 200Hz 的速率呈现高保真度的照片般逼真的图像，比原始 NeRF 算法快 3000 倍，同时保持视觉质量和可扩展性。

Mar, 2021

我们通过正则化几何和外观来解决NeRF在输入视图位数较少时的性能下降问题，同时在训练期间通过退火光线采样间隔和使用正则化流模型来处理未观察到视点的颜色，从而得到了一种可超过其他方法的模型。

Dec, 2021

本文提出了一种信息论正则化技术来解决少样本新视角合成的问题，并将其应用于神经隐式表示，通过对每条射线密度的熵约束来最小化重建不一致性，并进一步通过限制具有略微不同的视点的两条射线的信息收益来缓解训练图像从几乎冗余的视点获取的潜在退化问题。

Dec, 2021

本文提出了一种新颖的双网络架构来学习减少所需样本点的数量，以实现高质量的神经表示，该方法优于现有的紧凑神经表示，可以实时渲染图像。

Jul, 2022

该研究提出一种新的方法，利用极线几何法提取采样自场景的块，将其通过一系列变换器进行预处理后预测目标采样射线的颜色，从而在不需要深度特征和NeRF-like卷积体积渲染的情况下，实现对未见过的场景的新视图综合，其具有更好的泛化性能，并且即使使用比以前工作少得多的数据进行训练，也能胜过现有技术水平。

Jul, 2022

本文介绍了一种利用Flipped reflection rays的Few-shot novel view synthesis新颖正则化方法FlipNeRF，并使用Uncertainty-aware Emptiness Loss和Bottleneck Feature Consistency Loss来改善输出可靠性，取得了SOTA表现。

Jun, 2023

使用混合的神经辐射场（HybridNeRF）方法，将大多数对象作为表面渲染，同时以体积化的方式对挑战性区域进行建模，以提高视图合成的质量和实时性。

Dec, 2023

在本文中，我们提出了CombiNeRF，一个将多种正则化技术综合起来的框架，以统一各种正则化技术的优势，并在几个公开数据集上展示了在少样本情况下超越最先进方法的性能。

Mar, 2024

通过引入特征匹配的稀疏几何规则化模块，本文提出了一种名为SGCNeRF的有效少样本神经渲染架构，通过NeRF迭代中几何和纹理的渐进细化，提供卓越的几何一致性结果，并在LLFF和DTU数据集上分别提高了0.7dB和0.6dB的PSNR，优于FreeNeRF。

Apr, 2024