提出一种名为 NOVA 的新视角增强策略，用于训练具有光真实 3D 组成的动态对象在静态场景中。相比于先前的工作，我们的框架在将多个动态对象插入到新视角和时间的 3D 场景中时显著减少了混合伪影，实现了可比的峰值信噪比，无需像光流那样的附加真实模态，并在神经组成方面提供了便捷性，灵活性和可伸缩性。我们的代码库托管在 GitHub 上。

Aug, 2023

该论文提出了一种名为 PAniC-3D 的系统，可通过插图直接重建动漫角色头部的立体化模型。它通过使用线条填充技术与体积辐射场技术来跨越插画到三维重建的领域鸿沟，并利用两个新的大型数据集和一个基准测试数据集进行训练和评估。研究结果表明，PAniC-3D 系统的表现明显优于传统的基线方法，为建立从插图到三维重建的任务提供了良好的数据基础。

Mar, 2023

这篇研究提出了一种名为 Free3D 的简单方法，用于通过单张图像进行开放集合的新视角合成。使用编码目标相机姿势的新的像素级射线调节归一化（RCN）层，改进了目标相机姿势的建模。同时通过轻量级多视图注意力层和多视图噪声共享提高了多视图一致性。我们在 Objaverse 数据集上训练了 Free3D，并在几个新数据集中展示了其卓越的泛化性能。希望我们的简单而有效的方法能够作为一个坚实的基准，并有助于未来关于新视角合成更精确的研究。

Dec, 2023

在数字内容创作领域中，从单张图像生成高质量的 3D 角色是具有挑战性的，本文介绍了 CharacterGen 框架，该框架通过图像条件的多视角扩散模型和基于转换器的稀疏视角重建模型高效地生成 3D 角色。通过定量和定性实验证明该方法能够生成具有高质量形状和纹理的 3D 角色，可用于后续的蒙皮和动画应用。

Feb, 2024

通过 2D 绘画不一致性校正来恢复手绘图像的 3D 结构，并实现插入未曾绘制过的视角进行卡通重建。

May, 2024

提出了一种适用于多人场景的通用分层场景表示方法，用于多人视点渲染，无需每场景优化且只需要很少的输入视图。通过将场景分割为多人分层光辐射场，并通过迭代参数修正和多视图特征融合实现与输入视图的像素级对齐的 3D 模型，进一步提出了新颖的端到端训练模块进行人体模型校正。在新颖视图综合和非人物优化场景 NeRF 方法上表现优越，而与分层场景方法在测试时间优化方面相当。

Sep, 2023

该研究提出了一种使用 3D 模型和特征合成技术来实现物体多视角特征提取和无关视角比较的方法，并在细粒度图像检索和分类任务中表现出良好的性能。

Nov, 2014

通过利用生成模型，将零样本新视点合成问题分为两个阶段，即将观察到的区域转化为新视图和对未见过的区域进行幻觉。为了解决 3D 一致性问题，本文提出了一种具有几何约束的极线引导注意力和多视图注意力的场景表示方法。通过多个数据集的定性和定量评估，证明了所提出机制在效果上优于现有方法。

Oct, 2023

本论文主要探讨基于学习的单个或有限 2D 图像的新视角合成，提出了一个端到端可训练的条件变分框架，通过空间相关模块从外观描述图像中提取全局的 3D 表示形状、纹理和以观察者为中心的坐标系原点等，实现无需显式 3D 重建即可隐含 3D 理解。

Jul, 2020

通过利用内在分解指导、瞬态 - 单模先验指导和视图增强来解决光照不一致、几何不对齐和视图稀疏等问题，我们提出了一种新的 3D 重构框架，该框架能够将多视图图像生成与神经网络基于体积有符号距离函数的单一图像到 3D 对象重建相结合。在各种数据集上评估我们的方法，并在定量和定性评估中展示了其卓越性能，从而在 3D 物体重建方面取得了显著的进展。与最新的最先进方法 Syncdreamer 相比，我们将 Chamfer 距离误差降低了约 36％，将 PSNR 提高了约 30％。

Jan, 2024