针对如何从神经光辐射场（NeRF）中渲染新视角的问题，本文介绍了 ReNe (重新照明 NeRF) 数据集，细分了现实世界中的物体以及光与相机姿态，通过该数据集，可以表明 NeRF varients 的光照能力，进而确定了一种轻量级体系结构，以获得一种能够在新的光照条件下呈现对象新视角的方案，并用于该数据集的非平凡基线。

Apr, 2023

使用少量照片重建现实场景的方法，通过在合成和多视图数据集上训练的扩散先验来对新视角的合成进行规范化，从而在超约束区域综合出逼真的几何和纹理，同时保持观察区域的外观。与以前的少视图 NeRF 重建方法相比，我们在各种真实世界数据集上进行了广泛评估，包括正向和 360 度场景，并展示了显著的性能改进。

Dec, 2023

该论文介绍了一种名为低光线神经光辐射场（或 LLNeRF）的新方法，通过一种无监督的方式，将场景表示增强，并直接从 sRGB 低光线图像中合成正常光照的新视图。该方法能够通过学习辐射场的分解，提高照明效果、减少噪声和更正失真的颜色，从而产生具有适当照明、生动颜色和细节的新视图图像。实验证明，该方法优于现有的低光照增强方法和神经光辐射场方法。

Jul, 2023

提出了一种新颖的端到端二维照明扩散模型 Neural Gaffer，通过将图像生成器条件化于目标环境图，可以在任意新环境照明条件下综合出准确、高质量的复照图像，而不需要显式场景分解。

Jun, 2024

该研究提供了一种基于连续体积参数化的方法，可以将场景表示为可以在新视点下进行渲染的 3D 表示，并且可在任意照明条件下呈现，包括间接光照效果，从而解决了以前的方法因光照环境变化而受限的问题。

Dec, 2020

本文介绍了一种新的方法，即折射 - 反射场，用于解决透明和镜面对象合成中的光线路径复杂性问题，并提出了一种虚拟锥超采样技术实现高效且有效的抗锯齿。通过在真实世界和合成数据集上进行测试，并对各种编辑应用进行定量和定性评估，包括材料编辑、对象替换 / 插入和环境照明估计，我们对该方法进行了基准测试。

Sep, 2023

本文提出了一种叫做 NeRF 综合的新任务，利用 NeRF 补丁范例的结构内容构建大尺寸的新辐射场，我们提出了一种两阶段的方法来综合新场景，控制场景的照明效果采用阴影指导而不是分离场景，我们表明了我们的方法可以生成高质量的结果，对曲面上的新场景进行综合，增强了我们所提出的 NeRF 综合方法的实用性。

Jun, 2023

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

本文提出一种新的方法来有效地恢复具空间变化的间接光照。该方法使用输入图像学习的神经放射场方便地导出间接光照，并采用适当建模的方法恢复直接光照的可见度和间接光照的折射 - 阴影自由反照率，以达到优于先前方法的效果。

Apr, 2022

基于 NeRFs 和光线追踪，我们提出了一种 5D 神经光场（NeP），通过渲染方程，可以更准确地表达光照 - 物体相互作用，同时使用材质感知锥采样策略有效地集成 BRDF 波束内的光源。

Mar, 2024