我们提出了一种名为 pixelNeRF 的学习框架，可以在仅有一张或几张输入图像的条件下预测连续的神经场景表示。与现有方法相比，我们的体系结构不需要每个场景都进行优化，从而使得在仅有一张图像的情况下就可以执行视角的合成和单幅图像的三维重建。经过大量的实验证明，我们的模型在形状、类别和实景等方面都优于现有的最先进技术。

Dec, 2020

DietNeRF 通过引入辅助语义一致性损失，使用预训练的视觉编码器，改进了使用较少图像时的神经辐射场的视图合成，从而提高了感知质量。

Apr, 2021

本研究提出了一种基于神经辐射场的三维场景风格化方法，采用新的训练方法，交替进行 3D 场景和风格化优化步骤，从而应用更加表现力的图像风格转移方法，生成高质量的具有交叉视角一致性的新视角图片。

Jul, 2022

本篇论文提出了一种新颖的可动态生成 NeRF 模型 ActorsNeRF, 采用少量新演员的单目视频帧进行自适应训练，进一步采用两个人类先验来捕捉人类外观、形状和姿势变化，并在多个数据集上定量和定性地证明 ActorsNeRF 在 few-shot 身份和姿势泛化方面明显优于现有最先进技术。

Apr, 2023

提出了一种名为 SANeRF 的准确高效的小样本神经渲染方法，能够在混合表示架构中提供更好的渲染质量和更快的重建速度。

Jun, 2024

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

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

通过将场景自适应地细分为轴对齐的包围盒，并使用树层次结构方法将较小的 NeRF 分配给不同大小的子空间，该论文提出了一种有效的适应性多 NeRF 方法，以加速针对复杂场景的神经渲染过程，以实现对特定场景部分的精细神经表示。

Oct, 2023

文章提出了 FastNeRF 方法，通过图形学中的因式分解实现深度辐射图的高效缓存和查询，可在高端消费者 GPU 上以 200Hz 的速率呈现高保真度的照片般逼真的图像，比原始 NeRF 算法快 3000 倍，同时保持视觉质量和可扩展性。

Mar, 2021

本研究提出了一种基于 2D 的神经网络方法，结合编码键和转换模型，用于实现新颖视角合成，在不需要显式 3D 理解的情况下，相比于 NeRF 方法更高效。

Mar, 2022