利用生成模型 Inpaint4DNeRF，该论文提出了一种基于稳定扩散模型（如 ControlNet）的直接生成方法，在编辑由 NeRF 表示的三维场景时，生成底层完成的背景内容，不论是静态还是动态，以实现 NeRF 修复的双重优势：通过生成种子图像和它们的三维代理，我们可以分别生成一小部分包含合理内容的完成图像，然后在所有完成图像中进行三维多视图一致性维护。

Dec, 2023

本文提出了一种新颖的框架，可以利用扩散模型实现对神经场景中的 3D 内容进行编辑，此方法可以有效地改善 NeRF 的可编辑性、多样性和应用范围，验证结果表明在不同的文本提示下，该算法对 NeRF 中的 3D 目标具有改进的效果。

Jun, 2023

本文提出了一种名为 Edit-DiffNeRF 的框架，通过对已经训练好的扩散模型的潜在语义空间进行微调以有效地合并这些指令，从而实现对 3D 场景的微调，同时通过多视图语义一致性损失确保在不同的视图中重建潜在的语义嵌入。

Jun, 2023

本文介绍了一种新颖的方法，通过将 2D 扩散模型提炼为学习的 3D 场景表示（例如 NeRF），对给定的有掩模的多视图图像进行 3D 区域修补。

Dec, 2023

本文提出采用扩散模型生成编码在规则网格上的神经辐射场，并展示了该模型在实现逼真 NeRFs 的同时，能够根据观察结果进行条件生成。

Apr, 2023

本文提出了一种使用神经辐射场（NeRF）编辑工具进行图像修补的方法，仅需要一个修补后的场景参考视图和模板，通过新颖的渲染技术和基于图像修补工具的方法，可以在非参考视图上构造视图相关的效果，提供了更好的修补性能和用户控制。

Apr, 2023

我们提出了 ExtraNeRF，一种用于推断神经辐射场（NeRF）视角范围的新方法。我们的主要思想是利用 NeRF 模型场景特定的细节，同时利用扩散模型推断我们观察数据之外的区域。关键是通过跟踪可见性来确定没有被观察到的场景部分，并且使用扩散模型一致地重建这些区域。我们的主要贡献包括根据输入影像进行微调的可见性感知扩散填充模块，产生质量适中的 NeRF 和模糊的填充区域，然后使用第二个扩散模型在输入影像上进行培训，以一致地增强填充图像，并显著增强其锐度。我们展示了高质量的结果，可以通过少量的（通常为六个或更少）输入视图进行推断，有效地扩展 NeRF，并填充原始视图体内的新脱离的区域。我们在定量和定性上与相关工作进行比较，并展示了超过先前技术的显著增益。

Jun, 2024

本文提出了一种称为 SSDNeRF 的新方法，它使用表达能力强的 Diffusion Model 从多视图图像中学习神经辐射场（NeRF）的可推广先验，实现 3D 重建和先验学习的同时，证明了该方法在无条件生成和单 / 稀疏视图 3D 重建等任务上具有与任务特定方法媲美或优于其的鲁棒性结果。

Apr, 2023

提出了一种名为 MVIP-NeRF 的新方法，通过使用扩散先验来进行 NeRF 修复，解决了外观和几何方面的问题，实现了多视图共同修复和对齐。实验证明，与先前的 NeRF 修复方法相比，该方法在外观和几何恢复方面效果更好。

May, 2024

利用拓展到神经辐射场（NeRF）的编辑技术来编辑场景是复杂的，本文提出了利用 NeRF 场景的几何信息作为桥梁来整合 2D 编辑的方法，并引入了一种填充方法来确保对不同图像的 2D 编辑具有鲁棒性。结果表明，该方法比现有的文本驱动 NeRF 场景编辑方法实现了更加一致、逼真和详细的编辑效果。

Apr, 2024