我们提出了一种超快速收敛的方法，通过从拍摄场景的一组图像中重建场景辐射场来最新的视点合成，该方法采用密度体素网格表示场景几何和 shallow network 表示复杂的视角相关的外观，同时采用了后激活插值和一些先验约束技术，从而使训练时间缩短到 15 分钟以内，并达到了前沿的质量水平。

Nov, 2021

本文提出了一种基于先进的体素网格优化的快速变形辐射场方法来处理动态场景，该方法包括两个模块，采用变形网格存储动态特征和密度和色彩网格来模拟场景几何和密度，并将遮挡进行显式建模以进一步提高渲染质量。实验结果表明，本方法在仅用 20 分钟的训练时间下，达到了与 D-NeRF 相当的性能，比 D-NeRF 快 70 倍以上，显示了该方法的高效性。

Jun, 2022

使用渲染和信号处理中的思想，将 mip-NeRF 360 和基于网格的模型相结合，使误差比之前的技术低 8%-76%，并且训练速度比 mip-NeRF 360 快 22 倍。

Apr, 2023

本文提出了 Re:NeRF 方法，用于在维持性能的同时降低 NeRF 模型的内存存储。与三种不同的 EXG-NeRF 体系结构在四个流行的基准测试中进行基准测试，显示了 Re:NeRF 的广泛适用性和有效性。

Oct, 2022

通过在不同空间网格分辨率上训练模型头部，我们对基于网格的模型进行简单修改，以实现容易的扩展，提高渲染质量和性能效率。

Nov, 2023

我们研究了一种基于隐式 - 显式方法的密度场重建和渲染的方案，以在处理反射场景时在效率和质量之间取得均衡，并提出了关于影响重建反射对象结果的因素的假设。

Aug, 2023

VoxNeRF 是一种利用体积表示增强室内视图合成质量和效率的新方法，通过构建结构化场景几何并将其转换为基于体素的表示，以及采用独特的基于体素引导的高效采样技术，成功地提高了视图合成的效果。VoxNeRF 在速度上甚至超越了 Instant-NGP，推动了该技术向实时化发展。

Nov, 2023

基于多分辨率哈希格方法的可扩展场景重建方法，通过划分大型场景、消除背景 NeRF，并利用分割体积渲染方法处理跨边界射线，实现了更高质量、更可扩展的场景重建。

May, 2024

该论文提出了一种名为 Sparse Neural Radiance Grid 的新方法，它使用学习的稀疏体素网格表示，通过对神经辐射场（Neural Radiance Fields）进行预处理和存储（烘焙）来实现实时渲染。通过该方法，可以在以往的基础上保留了 NeRF 渲染精细几何细节和视图相关外观的能力，实现在普通硬件上进行实时渲染。

Mar, 2021

本研究提出了一种名为 VGOS 的方法，通过 voxel-based radiance field 技术来快速重建稀疏输入（3-10 视角）下的辐射场，该方法采用了增量训练策略和正则化技术，以达到防止过拟合和平滑的效果，实验证明 VGOS 在超快速收敛下达到了稀疏输入情景下的最佳表现。

Apr, 2023