提出了一种基于时间插值的方法来训练动态场景的时空神经辐射场以及两种特征插值方法 (基于神经网络和网格)，其中网格表示法的训练速度比之前的基于神经网络的方法提高了 100 倍以上。

Feb, 2023

该研究提出了一个新的框架用于实现对大型城市场景的高保真渲染，该框架运用了一种简化的多分辨率地面特征平面表示来捕捉场景，并通过另一个 NeRF 分支的位置编码输入进行补充，以联合学习的方式进行渲染。

Mar, 2023

本篇论文提出了一种新的方法，通过将 NeRFs 融合为可与高度并行的图形渲染管线完全兼容的高效网格神经表示，使用屏幕空间卷积，来提高外观的质量和整个框架的表现。

Apr, 2023

介绍了一种称为 TiNeuVox 的辐射场框架，通过时间感知体素特征表示场景，进一步强化了时间信息，提出了多距离插值方法，以模拟小和大的动作，加快了动态辐射场的优化，并在合成和真实场景上经过实证评估，表现出与之前动态 NeRF 方法相似甚至更好的渲染性能。

May, 2022

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

通过设计较为简化的能力增强模型，我们观察到较好的深度监督效果，进而提高稀疏视图下的主要辐射场的视图合成性能。

Apr, 2024

提出一种新的混合隐式 - 显式网络架构和训练策略，采用多尺度块坐标分解，并在训练期间自适应分配资源，以适应信号的本地复杂性，可成功将吉卜赛像素图像提高至接近 40dB 峰值信噪比，以及比以前技术更快，更好地表示 3D 形状。

May, 2021

提出了一种利用 MLPs 和 grid representations 的新方法，通过 Coordinate-Aware Modulation (CAM) 将 grid representations 注入 MLP 的中间特征来增强神经表示的性能和学习稳定性。实验证明 CAM 在多种信号上提高了性能，并在动态场景的新视角合成任务中取得了最先进的性能，同时具有最少的参数和快速的训练速度，并且在静态场景下以 1MB 内存获得了最佳性能，相比使用神经场的最佳视频压缩方法有很大的优势。

Nov, 2023

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

研究介绍了一种用于 Lagrangian 形式下的点云的机器学习方法，该方法可以学习稳定和具有时间相关性的特征，以解决在这些方法中存在的固有问题，例如点云形成的 halo 结构。

Jul, 2019