该论文提出了一种针对基于网格的 NeRF 模型的效率压缩方法，使用非线性变换编码范式和神经压缩对模型的特征网格进行压缩，引入重要性加权的失真率目标和利用掩蔽机制的稀疏熵模型以利用潜在特征网格的空间不均匀性，实验证明该方法在基于网格的 NeRF 压缩效率和重建质量方面优于现有工作。

Jun, 2024

通过提出一种新的编码 - 解码 - 微调流程，CodecNeRF 在保持 (或改善) 图像质量的同时，在常用的 3D 对象数据集（如 ShapeNet 和 Objaverse）上实现了超过 150 倍的压缩性能和 20 倍的编码时间缩短。

Apr, 2024

Hyb-NeRF 是一种新颖的神经辐射场，具有多分辨率混合编码，实现了高效的神经建模和快速渲染，同时允许高质量的新视角合成。它通过从粗到细的分辨率级别使用不同的编码策略来表示场景，并利用可学习的位置特征以及基于哈希的特征网格的快速优化速度和局部细节。此外，为了进一步提高性能，还将锥形跟踪特征嵌入到可学习的位置编码中，消除了编码的歧义性并减少了走样伪影。广泛的合成和实际数据集实验证明，与以往最先进方法相比，Hyb-NeRF 在更快的渲染速度、更好的渲染质量和更低的内存占用方面取得了优势。

Nov, 2023

通过将自编码器与 NeRF 相结合，我们提出了一种潜空间 NeRF，可以在渲染速度提高三倍的同时减少视觉伪影，从而产生更高质量的新视图，可用于实现高效且高保真的 3D 场景表示，特别适用于需要保持可微性的机器人学场景。

Oct, 2023

本文提出通过蒸馏出自监督的 2D 图像特征提取器的知识，优化一种针对 NeRF 的 3D 特征场，从而实现语义场景分解以及针对局部区域的查询式编辑，从而实现结构编辑的目的。通过实验证明，3D 特征场可以将最近在 2D 视觉和语言基础模型中取得的进展应用于 3D 场景表示，从而实现令人信服的 3D 分割和选择性编辑。

May, 2022

我们介绍了一种基于上下文的 NeRF 压缩 (CNC) 框架，利用高效的上下文模型提供储存友好的 NeRF 表示。我们通过挖掘层级和维度上的上下文依赖以减少信息熵，同时利用哈希碰撞和占用栅格作为强先验知识进行更好的上下文建模，实现了对 Synthesic-NeRF 和 Tanks and Temples 数据集上基准 Instant-NGP 的体积降低 100 倍和 70 倍，对 SOTA NeRF 压缩方法 BiRF 实现了 86.7% 和 82.3% 的存储空间减少。

Jun, 2024

我们提出了一种新的端到端联合优化方案，名为 JointRF，用于动态 NeRF 的表示和压缩，通过使用紧凑的残余特征网格和系数特征网格来处理大运动，同时减少时间冗余，并引入一个时空冗余压缩子网络以进一步减少时空冗余。大量实验证明，JointRF 在各种数据集上实现了卓越的压缩性能。

May, 2024

本研究提出了一种基于张量分解的显式神经场表示法，通过采用低秩近似的策略及动态调整模型的秩来实现精细度和模型大小的权衡，并可以将不同的模型进行组合从而达到压缩和构图能力的提升。

May, 2022

本文介绍了 MultiPlaneNeRF 模型，该模型可从 2D 图像中直接产生非可训练的表示，并可通过大量数据的训练来实现推广，以及在生成新视角方面达到业界领先水平。

May, 2023

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