提出了Stochastic Neural Radiance Fields (S-NeRF)作为一种泛化标准NeRF的方法，在机器学习中使用贝叶斯学习框架进行优化，得出可以量化与模型估计相关的不确定性的概率分布，为场景信息提供了更可靠的预测和置信度值。

Sep, 2021

本文提出了一种利用深度先验来优化神经光辐射场模型的新方法，可在使用尽可能少的输入图像进行室内场景的数据有效的新视角合成中实现高保真度。

Dec, 2021

MVG-NeRF 组合了传统的多视角几何算法和神经辐射场 (NeRF) 用于基于图像的三维重建。我们提出使用像素级深度和法线来引导 NeRF 优化，以提高所估计表面的质量。实验结果表明，该方法可以从图像中获取干净的三维网格，同时在新视角合成方面具有竞争力的表现。

Oct, 2022

通过采用神经辐射场（NeRF）方法，我们展示了一种能够学习时间上动态且可变形的三维场景的方法，并能适应各种不同相机和场景设置的鲁棒性模型，该模型消除了已知相机姿态的限制，并克服了目前静态场景重构技术中依赖场景静态部分进行精准重构的缺点，为当前和未来的机器人外科手术系统提供了潜力。

Sep, 2023

基于学习的不完整场景几何构建的3D不确定性场，可以明确识别未见区域，推理高不确定性，并适用于实际机器人任务。

Nov, 2023

通过 Re-Nerfing 方法，我们在 Neural Radiance Fields 的基础上使用多阶段的方法增加场景的覆盖范围，提高新视角的几何一致性，并通过新合成的图像实现结构和极线约束的优化，对 mip-NeRF 360 数据集进行的实验证明了 Re-Nerfing 的有效性。

Dec, 2023

通过引入一种基于鲁棒而高效的指标的方法，从预测后验分布中计算每个像素的不确定性；我们提出了两种消除需保留数据需求的技术，并提出了一种新颖的元校准器，只需要训练一个NeRF模型。从而在稀疏视图设置中获得了最新的不确定性，同时保持图像质量。我们在视图增强和最佳视图选择等应用中展示了我们方法的有效性。

Dec, 2023

通过多个重叠的4D神经辐射场（NeRFs）和渐进优化方案，在高度动态的变形组织环境中对移动内窥镜进行隐式场景分离和重建，从而提高了操作简易性并在时间上提供了患者视频的重建能力的改进，同时不依赖于外部跟踪信息。

Mar, 2024

我们提出了贝叶斯神经辐射场（NeRF），它能够在几何体积结构中明确量化不确定性，无需额外网络，使其适用于具有挑战性的观测和无控制的图像。NeRF通过丰富的场景表示来区别于传统的几何方法，在三维空间中从不同视角呈现颜色和密度。然而，NeRF在使用几何结构信息放松不确定性方面遇到限制，导致在不充分的真实观测下的解释不准确。为了从根本上解决这个问题，我们提出了一系列公式扩展NeRF的方法。通过引入广义近似和定义与密度相关的不确定性，我们的方法不仅无需额外网络或经验假设，还能无缝扩展来处理RGB和深度的不确定性。实验结果显示，我们的方法在全面的数据集上显著提升了RGB和深度图像的性能，展示了基于几何结构定量化不确定性的贝叶斯NeRF方法的可靠性。

Apr, 2024

通过添加深度和法线的稠密完成先验方法，我们提出了一种用于NeRF的Depth and Normal Dense Completion Priors (CP_NeRF)框架，该框架能够改善视图渲染的准确性，并在渲染NeRF的法线输出时综合了光学中心位置嵌入器和法线匹配技术，以提供更准确的模型监督。

Jul, 2024