本文提出了一种新颖的框架，可以利用扩散模型实现对神经场景中的 3D 内容进行编辑，此方法可以有效地改善 NeRF 的可编辑性、多样性和应用范围，验证结果表明在不同的文本提示下，该算法对 NeRF 中的 3D 目标具有改进的效果。

Jun, 2023

用于编辑 NeRFs 的 LAENeRF 是一个统一框架，以实现对 NeRFs 的逼真和非逼真的外观编辑，采用区域选择的体素网格作为局部编辑的起点，并通过学习从射线末端到最终输出颜色的映射来限制内存需求和实现快速优化，最终实现了颜色重新着色和样式化，并在定量和定性方面超越了基线方法。

Dec, 2023

利用拓展到神经辐射场（NeRF）的编辑技术来编辑场景是复杂的，本文提出了利用 NeRF 场景的几何信息作为桥梁来整合 2D 编辑的方法，并引入了一种填充方法来确保对不同图像的 2D 编辑具有鲁棒性。结果表明，该方法比现有的文本驱动 NeRF 场景编辑方法实现了更加一致、逼真和详细的编辑效果。

Apr, 2024

通过 Re-Nerfing 方法，我们在 Neural Radiance Fields 的基础上使用多阶段的方法增加场景的覆盖范围，提高新视角的几何一致性，并通过新合成的图像实现结构和极线约束的优化，对 mip-NeRF 360 数据集进行的实验证明了 Re-Nerfing 的有效性。

Dec, 2023

通过图像编辑和几何和外观调整，我们提出了一个快速高效且占用内存低的神经网络架构，能够实现用户友好的交互式编辑 Neural Radiance Fields，并通过语义特征提炼和局部 3D 感知图像内容，使编辑结果视角一致。相比于现有的基于文本引导的编辑方法，我们的方法加速了 10-30 倍，并在多个示例上展示了外观和几何编辑的效果。

Oct, 2023

本文介绍了一种可以对特定类别的条件辐射场进行用户编辑的方法，该方法假设观察多个特定类别的实例，学习部分语义，允许将粗略的二维用户涂鸦传播到整个三维区域中，该方法通过提出新的模块化网络组件和混合网络更新策略，结合优化问题和网络特定的目标，解决用户交互中的可视化编辑任务。

May, 2021

基于神经辐射场（Neural Radiance Field，NeRF）的方法可以对多视角图像进行高质量的新视角合成。本研究提出了一种从输入的灰度多视角图像中合成着色的新视角的方法。通过将基于图像或视频的着色方法应用于生成的灰度新视角，我们发现由于视角不一致性而引起了伪影。通过在着色灰度图像序列上训练辐射场网络也无法解决 3D 一致性问题。我们提出了一种基于蒸馏的方法，将自然图像上训练的着色网络中的颜色知识转移到辐射场网络中。具体而言，我们的方法使用辐射场网络作为 3D 表示，并从现有的 2D 着色方法中迁移知识。实验结果表明，所提出的方法在室内和室外场景下产生了优秀的着色新视角，同时保持着视角间的一致性。此外，我们还展示了我们的方法在基于红外（IR）多视角图像和旧的灰度多视角图像序列的辐射场网络着色等应用中的有效性。

Sep, 2023

该研究通过提出 Enhance-NeRF 模型，增强神经放射场（NeRF）在虚拟现实和增强现实等领域的三维重建应用，改进了场景识别和学习能力，有望广泛应用于照明、材质和形状的室外场景重建，具备插拔式的易用性，并能够与其他 NeRF-based 模型轻松集成。

Jun, 2023

本文提出了一种名为 OR-NeRF 的新型对象移除流水线，它可以在单个视图上通过点或文本提示从 3D 场景中移除对象，并在更短的时间内实现更好的性能。

May, 2023

本文提出了一种通过操作训练视频单个帧中的像素点来编辑动态 NeRFs 的局部外观的新框架，并引入了本地表面表示来保留未编辑区域，通过学习的可逆运动表示网络将其插入和渲染到原始 NeRF 中，并将其变形到任意其他帧，达到时空一致的编辑结果。

Jul, 2023