本研究提出了 LaTeRF 方法，通过引入 “对象性” 概率，扩展 NeRF 公式，结合自然语言描述、点标签等信息从场景中提取出感兴趣的物体，并结合预训练的 CLIP 模型和可微分对象渲染器来修复物体的遮挡部分。实验结果表明该方法在合成和真实数据集上均能实现高保真物体提取。

Jul, 2022

本研究提出了一种基于连续波 ToF 相机的神经表征模型，改进了动态场景的重建质量及鲁棒性，讨论了将 RGB+ToF 传感器集成到现代智能手机上的益处和局限性。

Sep, 2021

从由摄像头和扫描器捕捉的 RGB 图像和激光雷达扫描序列中，使用我们的扩展方法，生成具有深度信息的 3D 表面，以及合成新颖的 RGB 图像。

Nov, 2021

本文研究在给定 3D 模型的情况下生成高保真纹理的问题，提出了一种基于可学习的 UV 球空间的纹理生成模型 TUVF，并将 UV 球空间与辐射场相结合，实现了在纹理控制和编辑方面的实质性改进。

May, 2023

本文提出了一种混合辐射场表示方法，用于无界沉浸式光场重建，支持高质量渲染和激进的视点外推。主要思想是首先形式上将前景和背景分开，然后在训练过程中自适应地平衡对它们的学习。为了实现这一目标，我们将前景和背景表示为两个具有不同空间映射策略的辐射场。我们进一步提出了一种自适应采样策略和分割正则化器，以实现更清晰的分割和稳健的收敛。最后，我们贡献了一种新颖的沉浸式光场数据集，名为 THUImmersive，与现有数据集相比，具有实现更大空间 6DoF 沉浸式渲染效果的潜力，通过捕获同一场景的多个相邻视点，以刺激沉浸式光场领域的研究和增强现实 / 虚拟现实应用。广泛的实验证明了我们的方法在无界沉浸式光场重建方面的强大性能。

Sep, 2023

我们提出了一种新的通用方法，用于阴影感知的多视角卫星摄影测量。我们的建议方法是采用隐式体积表示学习中的最新进展。通过训练 Shadow Neural Radiance Field (S-NeRF) 模型，我们能够实现对场景进行 3D 形状估算、阴影检测和透明物体过滤，而不需要任何显式形状监督。

Apr, 2021

该论文主要研究使用神经辐射场（NeRF）方法对合成和真实场景进行 3D 重建，包括利用多分辨率哈希编码等技术在静态和动态场景重建方面的研究。其中，还着重探讨了神经辐射场（D-NeRF）对动态场景重建的应用，并成功将其推广至真实世界动态场景。

Oct, 2022

基于 NeRFs 的成功，近年来在新颖视角合成领域取得了显著进展。然而，虽然视图合成模型在视觉上看起来很真实，但其底层的 3D 模型通常是错误的，这限制了它们在实际应用中的有效性。本技术报告介绍了视图合成模型和 3D 重建模型之间的关键区别，并指出了使用深度传感器进行准确几何建模的重要性。通过扩展 Plenoxel 辐射场模型，我们对基于 RGB-D 数据的辐射场密集建图和跟踪任务提出了一种分析微分方法，实现了优于竞争神经网络方法的最新成果，并具有更快的速度。

Jul, 2023

我们提出了一种新的可变形三维表达方式 —— 神经关节光辐射场（NARF），该模型可以从图像中学习人工对象的运动姿态，并实现姿态的收放自如。NARF 不仅具有充分的可训练性和不可分性，而且还能够在多个实例的对象类中学习出外观的变化。实验证明，该方法高效可行、泛化能力强，并且代码已开源。

Apr, 2021

NeRAF 是一种同时学习声音和辐射场的方法，用于实现逼真的视听生成，通过 3D 场景信息将声学场与辐射场联系起来。在 SoundSpaces 数据集上，NeRAF 相比之前的方法在性能上有显著的改进，并且具有更高的数据效率，同时通过跨模态学习增强了稀疏数据训练的复杂场景的新视图合成。

May, 2024