我们开发了一种关于不透明固体的体积模型表示的理论。我们从不透明固体的随机指示函数表示出发，证明了使用指数体积传输建模这种固体的条件。我们还推导了体积衰减系数的表达式，作为底层指示函数的概率分布的函数。我们将我们的理论推广到在固体的不同部分考虑各向同性和各向异性散射以及将不透明固体表示为隐式曲面。我们从第一原理派生了我们的体积表示，以确保它满足诸如互易性和可逆性等物理约束。我们使用我们的理论来解释、比较和改正以前的体积表示，并提出有意义的扩展，以提高三维重建任务的性能。

Dec, 2023

本研究提出一种混合体元素模型（MVP），它将体元素和点渲染结合了起来，实现了体和点渲染相结合的性能，同时支持相应和跟踪约束，并在细节、透明度和几何变化等方面具有鲁棒性。大量实验证明了该方法的质量和运行时间性能优于现有技术。

Mar, 2021

提出了一种基于神经网络的实时体积渲染方法，用于逼真高效地渲染体积媒体，通过模拟迭代积分过程来加速体积媒体的渲染速度，并在保持渲染质量的同时实现逼真的效果，实验结果表明该方法优于先前的方法。

Jan, 2024

该论文介绍了一种名为 GVGEN 的新型扩散基础框架，用于通过文本输入高效生成 3D 高斯表示。它通过结构化体积表示和从粗到细的生成流程提供了优越的性能，同时保持了快速生成速度。

Mar, 2024

本文提出了基于 VoGE（一种利用体积高斯重建核的几何原语）进行渲染的方法，其采用光线追踪捕获最近的原语，并基于它们沿光线的体密度分布混合它们。通过我们提出的亚像素近似公式和渐进式渲染策略，可以高效地进行 VoGE 渲染。与 PyTorch3D 相比，我们提供了 CUDA 实现，使得可以进行实时级别的渲染，研究结果表明 VoGE 可以更好地完成目标姿态估计，形状 / 纹理拟合和遮挡推理等视觉任务。

May, 2022

本文提出了一种基于深度学习的场景重建方法，应用了一种新颖的体积场景表示方法 —— 反射体积网格，通过物理可行的可微分体积光线行走框架，渲染出高质量的图像，实现了对具备挑战性的真实场景的重建，而重建得到的反射体积网格可进行编辑，可用于修改捕捉的场景材料。

Jul, 2020

从真实世界数据中忠实地创建的数字 3D 物体表示可以用于人工或计算机辅助分析，同时可以用于生成难以获取或缺乏训练数据的机器学习方法的训练数据，本文提出了一种用于获取包括半透明物体内部的物理模型的体积重建方法，通过在明亮的白光源前以不同角度拍摄物体并计算每个体素的吸收和散射来解决可视化层析成像问题，此外，还提出了一种将非物理 NeRF 媒体转换为基于物理的体积网格的方法，并通过两个真实的浮游生物验证集展示了该方法的有用性，最终还将实验室扫描的模型重新光照并虚拟地浸入带有增强介质和照明条件的场景中。

Dec, 2023

通过学习，我们提出了一种表示动态物体的方法，该方法由编码器 - 解码器网络和可微分的射线行进操作组成，它不需要明确重建或跟踪物体，使用了 3D 体积表示法，表现出更好的图像质量，为高分辨率应用提供了一种从表面到体积的方法

Jun, 2019

我们提出了一种新颖的神经辐射场（NeRF）表示，用于非不透明场景，通过利用带纹理的多边形实现快速推理。我们的方法通过对场景进行多边形建模，从纹理中获取不透明度和颜色，并使用透像渲染所需的象限点来模拟体积效应，从而克服了现有方法在体积渲染和建模体积效应方面的局限性。最终色彩图像通过光栅化多边形和片段着色器得到，我们的方法能够在各种设备上进行渲染，并与现有图形框架轻松集成，同时保持体积渲染的优势。

Dec, 2023

神经辐射场通过平滑过渡体积 - 表面渲染方法，在加速渲染速度的同时提高视觉保真度，并能够通过提取的网格包络应用于动画和仿真等下游应用。

Nov, 2023