通过 NeRFactor 方法，通过多视图图像恢复物体的形状和空间变化的反射率，从而实现在任意环境光照下呈现物体的新视图和编辑物体材料属性。

Jun, 2021

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

介绍了一种新的卫星多视角摄影测量学的端到端模型-卫星神经辐射场（Sat-NeRF），利用神经渲染的最新技术结合本地卫星相机模型，通过阴影感知辐照模型和不确定性加权等方法来提高模型对于多次拍摄图像在外观上的高质量表现。

Mar, 2022

介绍了Sat-NeRF，它是阴影神经辐射场（S-NeRF）模型的一个修改实现。它能够从场景的稀疏卫星图像合成新的视图，并考虑图片中存在的光照变化。通过完全连接的神经网络支路输出反照率和入射辐照度两个量，对辐射度进行考虑，将其作为太阳直射光和天空漫反射颜色的函数。通过对NeRF进行超参数研究，得出了一些有趣的结论，并且成功地将NeRF和S-NeRF运行了100k次以完全拟合数据并产生最佳预测。

Apr, 2023

我们提出了一种多空间神经辐射场（MS-NeRF），通过在并行子空间中表示场景的特征场组，以更好地理解神经网络对具有反射和折射性物体的存在的情况，从而实现了对现有NeRF方法的增强，且仅需要小的计算开销。在由25个合成场景和7个具有复杂反射和折射的真实捕捉场景组成的新颖构建数据集上进行的比较表明，我们的方法比现有的单空间NeRF方法在渲染复杂光路的镜像对象的高质量场景方面表现显著优于现有的单空间NeRF方法。

May, 2023

介绍了一种利用基于MLP的NeRFs及其proposal network samplers加速的方法，该方法可以在不改变训练协议或架构的情况下，将所需计算的时间减少了50%，同时对渲染质量的影响微乎其微。

Jun, 2023

使用稀疏卫星观测视图的SpS-NeRF方法通过密集深度监督以及传统半全局MVS匹配提供的互相关相似度指标，有效地生成数字表面模型，并与NeRF和Sat-NeRF进行对比。

Sep, 2023

我们提出了一种名为Multi-spectral Neural Radiance Fields（Spec-NeRF）的方法，可以通过一组经不同滤波器滤波的彩色图像，联合重建多光谱辐射场和相机的光谱灵敏度函数（SSFs）。通过将估计得到的SSFs和辐射场应用于合成多光谱场景的新视图，该方法侧重于对物理成像过程进行建模。该方法只需要一台低成本的三色相机和几个现成的彩色滤光片进行数据采集，相比使用专门的3D扫描和光谱成像设备更加实用。我们对合成和真实场景数据集进行的实验表明，利用可学习的NeRF和SSFs处理经过滤波的RGB图像，能够实现高保真度和有前景的光谱重建，并且保留了NeRF理解几何结构的内在能力。该方法的代码可以在此https URL找到。

Sep, 2023

利用NeRFs的最新进展，我们提出了一种计算超光谱3D重建的方法，其中空间中的每个点和视角都以波长相关辐射和透射光谱为特征。通过对近2000个超光谱图像进行对比和消融测试，我们证明了超光谱NeRF的潜力，包括超分辨率和成像传感器模拟。我们展示了超光谱NeRF方法可以快速、准确地创建体积化的3D超光谱场景，并为未来研究提供了几个新的应用和领域。

Mar, 2024

近年来，神经辐射场（NeRF）在计算机视觉和图形领域取得了显着进展，为解决3D场景理解、新视角合成、人体重建、机器人等关键任务提供了强有力的技术支持。本文对过去两年内关于NeRF的研究文献进行了深入分析，在详细阐述NeRF核心架构的基础上，讨论了NeRF的各种改进策略，以及在不同应用场景中的案例研究，展示了其在不同领域的实际应用价值。同时，本文还详细介绍了NeRF模型训练所需的关键资源，最后提出了关于NeRF未来发展趋势和潜在挑战的前瞻性讨论，旨在为该领域的研究人员提供研究灵感，促进相关技术的进一步发展。

Mar, 2024