为了解决现有算法在处理无控制或长时间场景时的困难以及需要针对每个新场景进行大量训练时间的限制，我们提出了 DynPoint 算法，用于实现无约束单目视频的快速合成新视角。该算法通过预测相邻帧之间的显式 3D 对应关系来实现信息聚合，并利用这些对应关系来从多个参考帧到目标帧中聚合信息，从而实现快速准确的目标帧视角合成。实验证明，与以往方法相比，我们的方法在加速训练时间方面取得了显著的改进，通常为数量级的提高，并且在处理长时间视频时显示出较强的鲁棒性，并无需学习视频内容的规范表示。

Oct, 2023

该研究提出了一种基于神经隐式表示及不可导函数的算法，能够从动态场景中的单目视频中生成任意视角和任意输入时间步长下的新视图；通过联合训练一个不变的静态 NeRF 和一个时间变化的动态 NeRF，以及使用正则化约束的方式解决了样本不足的问题，其在大量数据和质量实验效果上获得了良好的表现。

May, 2021

基于单目视频的全局静态场景模型和逐帧点云的动态内容的混合视频表示方法能够实时合成高质量的新视图，并且训练速度比现有方法快 100 倍。

Dec, 2023

通过预定制技术在视频帧上微调预训练的 RGB-D 扩散模型，然后将知识从微调的模型提取到包含动态和静态神经辐射场（NeRF）组件的 4D 表示中，实现几何一致性并保持场景的一致性，从而进一步推进动态新视角合成。

Jan, 2024

通过无监督学习方法，提出了一种基于分解动态物体运动和相机运动的动态视图合成方法，包括非监督表面一致性和基于路径的多视图约束，可实现准确的 3D 运动建模，从而提高合成质量并相比现有方法精确地生成场景流和深度

Apr, 2023

该论文提出了一种新的非刚性动态场景重建和新视角合成方法 ——NR-NeRF，该方法能够使用一个便携式消费级相机拍摄到的动态场景的 RGB 图像创建高质量的时空几何和外观表示，并且可以生成复杂的渲染场景。

Dec, 2020

本研究提出了一种基于点的方法，使用可学习的神经描述符来编码局部几何和外观信息，并学习深度渲染网络生成具有照片般逼真感觉的场景视图，同时避免显式表面估计和网格化，并适用于各种复杂场景，包括使用 RGB-D 传感器与标准 RGB 相机进行扫描的场景。

Jun, 2019

本文提出一种新的混合点表示方法，通过自动产生的几何数据点集作为支架和简便的映射方法，学习人形和动物角色的可动形变模型，相较于之前的方法，该方法无需昂贵的采集设备或受控环境的条件，且更具普适性和可推广性。

Apr, 2023

本文提出了一种使用基于点的表示和 Linear Blend Skinning（LBS）来联合学习动态 NeRF 和相关骨骼模型的新方法，在维持可比工作的情况下显著缩短了学习时间，在常见数据集上展示了其在重建可动物体方面的多样性和灵活性。

May, 2023

提出了一种利用大规模扩散先验的可控单眼动态视图合成管道，通过给定任何场景的视频，根据一组相对相机姿态参数，从任意其他选定的视角生成同步视频。

May, 2024