使用 UP-NeRF（无约束姿势先验的神经辐射场）优化 NeRF 以处理无约束图像集合和瞬态遮挡，通过优化颜色不敏感特征场和独立模块来处理瞬态遮挡，实现更鲁棒的姿势估计及深度监督。在具有挑战性的互联网照片集合（Phototourism 数据集）中，我们的方法相比基准方法如 BARF 及其变体表现出优越性能。

Nov, 2023

本文提出了一种名为 LU-NeRF 的方法，通过利用放松姿态配置的放松姿态配置来同时估计相机姿态和神经辐射场，通过局部到全局的优化和姿态同步等步骤， 在一般的 SE（3）姿态设置下，无需对姿态先验进行强制约束，相比先前无姿态配置进行的 NeRF 试验表现更佳，这也使得其为特征基于的 SfM 管道提供了互补的选择。

Jun, 2023

从弱标记数据中学习姿态估计的方法，通过使用 NeRF 隐式学习物体形状，结合 CNN 使用对比损失学习视图不变特征，从而估计姿态。

Jun, 2024

基于图像的姿态估计方法，结合 NeRF 技术实现了实时的机器人应用，通过建立 2D-3D 对应关系和改进的点挖掘策略提高了准确性，并且在代表性数据集上的实验结果表明，相比于现有方法，推断效率提高了 90 倍，能够以 6 帧每秒的速度进行实时预测。

Apr, 2024

利用 Neural Radiance Fields (NeRFs) 训练高分辨率 3D 重建，包括使用 HoloLens 数据提取内部摄像机姿态和通过结构光运动提取外部摄像机姿态，两者均通过姿态优化得到改善；结果表明，相较于传统的 Multi-View Stereo 密集重构方法，在完整性和细节层面上，NeRF 重建表现更好。

Apr, 2023

iNeRF 是一种基于 “倒置” 神经辐射场（NeRF）的框架，它可以通过合成图像与观察图像像素之间的残差最小化来实现无网格姿态估计。实验表明，iNeRF 可以应用于复杂的真实场景中，还可以执行目录级别物体姿态估计。

Dec, 2020

这项工作涉及从立体对生成无姿态新视角合成的任务，在 3D 视觉中是一个具有挑战性和开创性的任务。通过设计一个利用共享表示的架构，无缝集成 2D 对应匹配、相机姿态估计和 NeRF 渲染，促进这些任务的协同增强，我们在整个模型准确性上通过提议的训练策略进行端到端的培训。通过对两个现实世界数据集的多样化室内和室外场景进行广泛评估，我们证明我们的方法在特征视角变化和缺乏精确相机姿态的场景中实现了相当大的改进。

Dec, 2023

提出了一种名为 MonoRUn 的检测框架，该框架通过自我监督学习，仅使用简单的三维边界框注释学习密集的对应关系和几何学，并利用不确定性感知的区域重建网络来回归像素相关的三维目标坐标，并利用预测的不确定性通过整个下游模块，实现对象姿态的估计和协方差，实验表明该方法在 KITTI 基准测试中优于当前最先进的方法。

Mar, 2021

CT-NeRF 是一种仅使用 RGB 图像而不需要姿态和深度信息的增量重建优化管道，通过本地 - 全局捆绑调整和重投影几何图像距离约束，实现对相机姿态和场景结构的恢复，能够处理具有复杂轨迹的场景，并在新视角合成和姿态估计准确度方面优于现有方法。

Apr, 2024

我们提出了 Drone-NeRF 框架，通过使用神经辐射场（NeRF）来增强适用于无人机倾斜摄影的无界大规模场景的高效重建，将场景根据摄像机位置和深度可见性划分为均匀的子块，在 NeRF 的并行训练中训练子场景，然后合并为完整场景，通过优化相机姿态和引导 NeRF 使用均匀采样器来完善模型，集成选择的样本提高准确性，哈希编码融合 MLP 加速密度表示，生成 RGB 和深度输出，该框架解决了与场景复杂性、渲染效率和无人机获取图像准确性相关的挑战，展示了有前景的能力。

Aug, 2023