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

NeRFusion 提出了一种方法，通过将 NeRF 和 TSDF-based fusion 技术结合起来，实现了大规模室内场景的高效重建和逼真渲染，使用全新的循环神经网络来递增地重建实时稀疏场景表示，进一步提高了渲染质量，取得了大规模室内和小型物体场景的最先进质量，并比 NeRF 和其他最新方法重建速度更快。

Mar, 2022

SCALAR-NeRF 是一个用于大规模神经场景重建的新框架，它采用编码器 - 解码器架构，通过处理 3D 点坐标生成编码特征，并生成包括有符号距离和颜色的几何值。通过在整个图像数据集上训练一个粗略全局模型，将图像分割成较小的块，每个块采用专用的局部模型。使用本地模型的特征空间中的全局模型解码器来提升不同块之间的重叠区域。通过有效且高效地融合这些局部模型的输出，我们的方法在大规模场景重建方面优于现有的 NeRF 方法，并展示了可扩展性。

Nov, 2023

Block-NeRF 是神经辐射场的变种，可以有效表示大规模环境，将场景分解成 NeRF 可以将渲染时间与场景大小分离，使渲染可以扩展到任意大的环境，并允许环境进行每个块更新。通过引入外观嵌入，学习的姿态细化和可控的曝光，以及介绍邻接 NeRF 之间对齐外观的程序，我们采用数种架构变化使 NeRF 对不同环境条件下多个月采集的数据具有鲁棒性。通过 280 万张图像构建 Block-NeRF 的网格，创建迄今为止最大的神经场景表示，能够渲染旧金山整个社区。

Feb, 2022

利用神经辐射场（NeRFs）建立大规模的高楼或多个城市街区跨度的交互式 3D 环境，研究通过分析可见性统计信息，提出特殊化参数不同区域的稀疏网络结构、基于几何聚类的数据并行算法，并对 NeRF 快速渲染程序提出了新方法，有效解决了训练速度和渲染速度等多项挑战。

Dec, 2021

本文提出了一种叫做 NeRF 综合的新任务，利用 NeRF 补丁范例的结构内容构建大尺寸的新辐射场，我们提出了一种两阶段的方法来综合新场景，控制场景的照明效果采用阴影指导而不是分离场景，我们表明了我们的方法可以生成高质量的结果，对曲面上的新场景进行综合，增强了我们所提出的 NeRF 综合方法的实用性。

Jun, 2023

BungeeNeRF is introduced to address the issues of level-of-detail rendering in multi-scale Neural Radiance Fields in real-world 3D environments with drastically varying views and yields superior modeling results on various data sources.

Dec, 2021

我们提出了一个基于神经辐射场（NeRF）的系统，以生命周期学习的方式使用来自车辆和无人机收集的数据持续构建和维护一张地球规模的地图。为了解决现有的 NeRF 大规模建模存在的可扩展性和可维护性问题，我们提出了一个适用于 NeRF 的大规模建模的联邦学习流程，并针对 NeRF 的模型聚合流程进行了定制，从而允许局部更新。在聚合步骤中，客户端的全局姿态的准确性至关重要。因此，在聚合步骤之前，我们还提出了全局姿态对齐以调整客户端的嘈杂全局姿态。在实验中，我们展示了所提出的姿态对齐和联邦学习流程在大规模场景数据集 Mill19 上的有效性。

Sep, 2023

该论文介绍了一个名为 UE4-NeRF 的神经渲染系统，专门用于实时渲染大规模场景，并通过将场景分区并进行顶点优化、与 UE4 的光栅化流水线相结合等方法，实现了在 4K 分辨率下以每秒 43 帧的帧率进行实时渲染，并获得了与最先进方法相媲美的渲染质量。

Oct, 2023

通过将场景自适应地细分为轴对齐的包围盒，并使用树层次结构方法将较小的 NeRF 分配给不同大小的子空间，该论文提出了一种有效的适应性多 NeRF 方法，以加速针对复杂场景的神经渲染过程，以实现对特定场景部分的精细神经表示。

Oct, 2023