评估 NeRF 重建的几何准确性与 SLAM 方法的对比
该论文介绍了一种新的基于神经网络点云的辐射场模型——Point-NeRF，它结合了 NeRF 和深度多视图立体成像两种方法的优点，可用于高质量的视图合成和快速的场景几何重建。Point-NeRF 可以通过射线行走的渲染管道有效地渲染神经点特征，相对于 NeRF 具有快速训练和处理 3D 重建错误和异常数据的优势。
Jan, 2022
提出了一种新的基于几何和光学的三维地图制图方法，利用稠密单目SLAM和实时分层体积神经辐射场技术，通过提供估计准确的位姿和深度图的相关不确定性，实时适应神经辐射场的场景。通过采用提出的基于不确定性的深度损失，实现了良好光学和几何精度，在实时和单目成像的情况下比竞争方法更精确(最高提高179%的PSNR和86%的L1深度)。
Oct, 2022
本研究利用Microsoft HoloLens 2作为多传感器平台，包括RGB相机和惯性测量单元用于SLAM，结合Neural Radiance Field技术实现基于RGB相机图像的3D重建，相比于网格采样的NeRF算法提高了数倍的性能，是一种移动3D地图实时重建方法。
Apr, 2023
该研究论文通过详细研究神经辐射场（NeRF）在工业应用领域的潜力，并提供未来研究方向，证明了NeRF在工业领域的潜力。此外，论文还展示了NeRF在视频压缩和三维运动估计方面的实验结果，证明了它们在这些应用中的有效性。
Aug, 2023
通过增加位置特定的采样技术和多镜头分块策略，我们在大规模航拍数据集上扩展了Neural Radiance Fields (NeRF) 模型，并对NeRF的几何特性进行了全面评估。我们的方法Mip-NeRF在几何性能上相较于传统方法具有更好的完整性和物体细节，但目前仍然在准确度方面存在不足。
Oct, 2023
使用不同的神经辐射场（NeRFs）技术，通过评估对不同环境中的植物进行（3D）重建的方法，展示了NeRF在详细和真实的植物建模中的潜力，并提出了增强3D重建过程速度和效率的实用方法。
Feb, 2024
本研究提出了一种基于神经场的大规模重建系统，它利用激光雷达和视觉数据生成几何精确且具有照片级真实纹理的高质量重建，同时使用激光雷达SLAM系统提供深度和表面法线的强几何约束来改进传统的神经辐射场表示方法。
Mar, 2024
通过使用场景图优化辐射场，将具有异常姿态的图像减小对3D重建的影响，并通过IoU损失函数、粗粒度到细粒度的训练策略和典型异常姿态的数据集的引入提高方法的稳健性和重建质量。
Jul, 2024
本研究探讨了神经辐射场（NeRF）与基于高斯的方法在3D场景重建中的能力，针对传统的同步定位与地图构建（SLAM）系统进行了对比。研究发现，尽管NeRF在视图合成上表现优异，但处理速度较慢，而高斯方法则提供快速处理但场景完善性不足，对3D场景重建的未来发展具有重要的实际意义。
Aug, 2024