我们通过正则化几何和外观来解决 NeRF 在输入视图位数较少时的性能下降问题，同时在训练期间通过退火光线采样间隔和使用正则化流模型来处理未观察到视点的颜色，从而得到了一种可超过其他方法的模型。
Dec, 2021
通过引入特征匹配的稀疏几何规则化模块，本文提出了一种名为 SGCNeRF 的有效少样本神经渲染架构，通过 NeRF 迭代中几何和纹理的渐进细化，提供卓越的几何一致性结果，并在 LLFF 和 DTU 数据集上分别提高了 0.7dB 和 0.6dB 的 PSNR，优于 FreeNeRF。
Apr, 2024
使用增强模型和深度监督训练的前馈神经光辐射场模型能在少量视角下实现最新的视图合成表现。
Sep, 2023
通过设计较为简化的能力增强模型，我们观察到较好的深度监督效果，进而提高稀疏视图下的主要辐射场的视图合成性能。
提出了一种名为 SE-NeRF 的自我进化神经辐射场框架，通过在教师 - 学生框架中将 few-shot NeRF 转化为，将由教师生成的附加伪标签训练学生，通过使用可靠性估计方法提取射线级伪标签，使得 NeRF 能够学习更准确、更强健的三维场景几何，并展示与评估了将该自我训练框架应用于现有模型时改进了渲染图像的质量并在多种环境中实现了最先进的性能。
Dec, 2023
该论文提出了一种名为 Sparse Neural Radiance Grid 的新方法，它使用学习的稀疏体素网格表示，通过对神经辐射场（Neural Radiance Fields）进行预处理和存储（烘焙）来实现实时渲染。通过该方法，可以在以往的基础上保留了 NeRF 渲染精细几何细节和视图相关外观的能力，实现在普通硬件上进行实时渲染。
Mar, 2021
本论文提出了单视角 NeRF 框架 (SinNeRF)，通过引入半监督的学习过程，利用几何标签和语义标签指导训练过程，成功实现了仅通过单个视图将神经辐射场训练到现实场景，即使在不进行多视图数据集预训练的情况下，SinNeRF 可产生逼真的新视图综合结果。
Apr, 2022
在本文中，我们提出了 CombiNeRF，一个将多种正则化技术综合起来的框架，以统一各种正则化技术的优势，并在几个公开数据集上展示了在少样本情况下超越最先进方法的性能。
Mar, 2024
我们提出了一种 NeRF 的零样本超分辨率训练框架，通过单场景内部学习指导 NeRF 模型合成高分辨率的新颖视角，而无需外部高分辨率训练数据。我们的方法采用两个阶段，首先通过内部学习在预训练的低分辨率粗糙 NeRF 上学习场景特定的退化映射，然后通过反向渲染使用映射函数优化超分辨率细致 NeRF，并通过推理阶段引入时间集成策略来补偿场景估计错误。通过在公共数据集上进行大量实验，我们定性和定量地验证了我们方法的有效性。
本研究借鉴神经辐射场（NeRF）的概念，将 SAR 成像机制与神经网络相结合，提出了一种新的 SAR 图像生成模型 SAR-NeRF，它通过自动编码学习了体素的衰减系数和散射强度分布，并在少样本学习任务上实现了较高的分类精度。
Jul, 2023