该论文提出了一种基于神经辐射场的通用逼真新视角合成方法，该方法包括几何推理和渲染两个主要阶段，可用于各种合成和实际数据集。

Nov, 2021

NeRF-VAE 是一种 3D 场景生成模型，通过使用 NeRF 和可微分体积渲染结构，将几何结构纳入考虑，利用摊销推理，无需重新训练便能推断新型场景的结构，采用显式的 3D 渲染过程与缺乏几何结构的卷积模型形成对比，它是一种 VAE 学习一个描述辐射场的分布，并通过在潜在场景表示上加以限定。我们展示了，一旦训练完成，NeRF-VAE 能够通过很少的输入图像推断和渲染几何上一致的未曾见过的 3D 环境，而且还展示了 NeRF-VAE 泛化到分布之外的相机的能力优于卷积模型。最后，我们介绍并研究了 NeRF-VAE 解码器的基于注意力的约束机制，以提高模型性能。

Apr, 2021

MVG-NeRF 组合了传统的多视角几何算法和神经辐射场 (NeRF) 用于基于图像的三维重建。我们提出使用像素级深度和法线来引导 NeRF 优化，以提高所估计表面的质量。实验结果表明，该方法可以从图像中获取干净的三维网格，同时在新视角合成方面具有竞争力的表现。

Oct, 2022

通过构建多尺度编码体积和提供多尺度几何信息给 NeRF 模型，本文在新颖视角合成和密集几何建模方面提出了一种先进行深度预测和辐射场重建，以使构建的体积尽可能接近场景中物体的表面和渲染的深度更准确，然后通过深度引导的邻域特征融合，提高点体积特征的质量，从而实现了对场景进行优化而不是对单个场景优化的结果。

Jul, 2023

通过 Re-Nerfing 方法，我们在 Neural Radiance Fields 的基础上使用多阶段的方法增加场景的覆盖范围，提高新视角的几何一致性，并通过新合成的图像实现结构和极线约束的优化，对 mip-NeRF 360 数据集进行的实验证明了 Re-Nerfing 的有效性。

Dec, 2023

提出了 RoGUENeRF 神经渲染增强器，利用 2D 和 3D 技术来提高渲染质量和几何一致性，修复高频纹理并解决摄像机标定问题。

Mar, 2024

本研究提出了一种基于神经辐射场的高保真度自由视点下人体合成的通用且高效的管道，其中利用几何引导的多视点特征整合方法和渐进式渲染管道通过提供完整的几何体积和预测的密度值来显著提高多个泛化设置下的综合性能和渲染效率。

Dec, 2021

Gen-NeRF 是一个算法硬件协同设计框架，可以加速可广义的 NeRF (神经辐射场) 生成新视点，从而实现实时的虚拟和增强现实体验。

Apr, 2023

提出了一种新型的泛化神经辐射场（NeRF）范式，通过基于点而非基于图像的渲染构建了可泛化的神经场，称之为可泛化神经点场（GPF）。该模型通过显式建模可见性并将其与神经特征相结合，提出了一种非均匀取样策略以提高渲染速度和重构质量，并利用特征增强的可学习内核在具有差异性几何结构的区域缓解形变。该研究表明，相比于其他方法和基准数据集，该模型在三个数据集上无论在泛化还是微调设置下，都能提供更好的几何形状、视角一致性和渲染质量，初步证明了该新范式在泛化 NeRF 中的潜力。

Jan, 2024

NeRFVS 利用全貌因子指导 NeRF 的学习，并提出两个损失函数解决几何和颜色模糊性，经实验证明在室内场景的自由导航中，优于现有的视角合成方法，实现了高保真度的自由导航结果。

Apr, 2023