该研究提出了一种从单个视频学习动态场景的时空神经辐射场的方法，能实现自由视角渲染输入视频。该学习方法建立在最近关于内隐表示的进展之上，利用视频深度估计方法的场景深度来约束我们的动态场景表示的时变几何，将单个帧中内容聚合为一个全局表示，并提供了广泛的定量评估和引人注目的自由视点渲染结果。

Nov, 2020

提出一种新的逆向渲染框架，能够从一组 RGB 图像中联合重建场景几何、空间变化的材料和 HDR 照明，并支持物理场景操作，例如射线跟踪阴影投射。

Apr, 2023

利用多模态数据结合深度学习模型进行密集三维重建，从而提高自动驾驶中的标注验证、数据扩充、缺失 LiDAR 系统的地面真值注释以及自动标记准确性的应用效果。

Feb, 2024

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

在高保真度 3D 场景重建方面，神经场的最新进展已经有了实质性的提升。然而，大多数现有方法为每个独立场景训练单独的神经网络，这不可扩展、低效且对有限视角下的结果不理想。本研究引入了训练可推广的神经场，将场景先验结合其中，从而更好地解决上述问题，并支持单张图像的新视角合成。

Sep, 2023

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

基于活跃雷达成像仪的雷达场景重建方法，通过在傅立叶频率空间中学习场域，并通过原始雷达数据进行监督，可有效地在各种户外场景中提取场景占用情况。

May, 2024

本文提出了一种名为 ENeRF 的场景表示，用于快速创建交互式自由视点视频，并实现了深度预测和辐射场网络的联合学习，通过针对场景表面附近的点进行采样，从而显著提高了渲染速度。在多个基准测试中进行实验，结果表明我们的方法在表现上具有竞争力，同时比先前的泛化辐射场方法快至少 60 倍。

Dec, 2021

这篇研究论文提出了一种新型神经网络，可以从 2D 观察中隐式地表示和渲染 3D 物体和场景，通过将 2D 图像中的像素特征投影到 3D 点上，并使用聚合策略来考虑视觉遮挡，生成高质量逼真的新视角。

Oct, 2020

提出了一种联合重构相机位姿和三维神经场表示的在线方法，通过可微分渲染将帧间光流提升到三维场流，通过加权最小二乘拟合场流场估计 SE（3) 相机姿态，同时可以通过重新渲染输入视频对相机姿态估计和通用神经场表示进行监督，从而在真实世界视频数据集上进行端对端和完全自我监督的训练。

May, 2023