本文提出将新视角合成应用于机器人重定位问题，通过 NeRF 类算法所渲染的额外合成数据集，从内部表示的三维场景几何形态中选择虚拟相机位置，进一步改进了姿态回归器的定位精度，结果大幅降低了 Cambridge 地标和 7 景数据集的误差，并将精度与基于结构的方法相媲美，无需架构修改或领域适应性约束，因为该方法允许几乎无限产生训练数据，我们调查了在公共基准数据集上进行训练所使用的数据大小和分布对相机姿态回归的限制，得出结论，姿态回归精度在很大程度上受到相对较小且有偏的数据集的限制，而非姿态回归模型解决本地化任务的能力。同时，采用合成的逼真且具有几何一致性的图像进行数据增强。

Oct, 2021

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

本文提出了一种新颖的基于 3D 场景描述符和转换器与 2D 图像进行直接匹配的视觉重新定位方法，NeRF 作为 3D 场景表示，在统一特征匹配和场景坐标回归的同时，本模型在两个训练阶段学习可推广的知识和场景先验知识。此外，为了提高本模型在训练和测试间的鲁棒性，本文提出了一个外观适应层来明确地对齐 3D 模型和查询图像。实验证明，本方法在多个基准测试上实现了比其他基于学习的方法更高的定位精度。

Apr, 2023

描述了一种基于神经辐射场的方法，通过优化连续的体形变场使移动设备拍摄的照片 / 视频重建变形场景，旨在生成高度逼真的渲染图像。实验表明，该方法可使用手机拍摄的自拍照片 / 视频转换成可变形的 NeRF 模型，并在任意视点产生高保真度的视图。

Nov, 2020

本研究提出使用神经辐射场（NeRF）作为视觉定位的场景表示，通过利用 NeRF 的内部特征建立精确的 2D-3D 匹配来提升定位性能。通过研究 NeRF 的隐式知识和探索不同的匹配网络架构、提取多层的编码器特征以及多种训练配置，引入了 NeRFMatch 作为高级的 2D-3D 匹配函数，并在 Cambridge Landmarks 等标准定位基准上取得了业界领先的定位性能。

Mar, 2024

本文提出了一种名为 LU-NeRF 的方法，通过利用放松姿态配置的放松姿态配置来同时估计相机姿态和神经辐射场，通过局部到全局的优化和姿态同步等步骤， 在一般的 SE（3）姿态设置下，无需对姿态先验进行强制约束，相比先前无姿态配置进行的 NeRF 试验表现更佳，这也使得其为特征基于的 SfM 管道提供了互补的选择。

Jun, 2023

CT-NeRF 是一种仅使用 RGB 图像而不需要姿态和深度信息的增量重建优化管道，通过本地 - 全局捆绑调整和重投影几何图像距离约束，实现对相机姿态和场景结构的恢复，能够处理具有复杂轨迹的场景，并在新视角合成和姿态估计准确度方面优于现有方法。

Apr, 2024

本篇论文介绍了一个结合蒙特卡罗定位 (Monte Carlo localization) 和神经辐射场模型 (Neural Radiance Fields) 的机器人实时视觉定位方法 ——Loc-NeRF，它不依赖于初始位姿估计，可以使用机器人上的 RGB 相机在预训练的 NeRF 模型地图上实现实时本地化，相比现有技术能够更快地完成本地化。我们通过 Clearpath Jackal UGV 的真实数据验证了该方法的有效性，并将代码公开在一个 https URL 上。

Sep, 2022

本文提出了一种使用神经辐射场（NeRF）生成训练样本的场景坐标回归（SCR）方法，并且通过设计 NeRF 来预测渲染数据的不确定性，在像素级别揭示数据的可靠性；将 SCR 公式化为带有认识不确定性的深度证据学习，用来评估信息获取与场景坐标质量；基于不确定性的三个方面，形成了一种新的视角选择策略，极大地提高了数据效率。实验结果表明，我们的方法能够选择带来最大信息增益的样本，并以最高效率提高性能。

Oct, 2023

通过统一基于点的表示，本文提出了一种新颖的视觉定位框架 PNeRFLoc，结合传统的基于结构的方法和基于渲染的优化，利用神经辐射场（NeRF）模型与视觉定位的特征进行融合，以提高定位准确性和效率。在处理合成数据时表现出最佳性能，并在视觉定位基准数据集上与现有最先进方法持平。

Dec, 2023