本研究提出了一种基于Neural Radiance Field的方法，利用显式网格表示与场景的隐式神经表示建立对应关系，使用户可以利用网格形变方法进行可控的形状变形，并合成编辑后的场景的新视角图像。

May, 2022

本文介绍了一种基于transformers的场景重构和渲染新视角的架构，通过视图变换器和光线变换器实现对神经辐射场进行编码解码；实验表明该架构可以在多个场景中取得最先进的性能。

Jul, 2022

提出了一种基于神经辐射场和几何引导注意力机制的方法来合成高保真度的自由视点图像，并通过实验证明其具有更好的合成效果和几何重建精度。

Mar, 2023

Hyb-NeRF是一种新颖的神经辐射场，具有多分辨率混合编码，实现了高效的神经建模和快速渲染，同时允许高质量的新视角合成。它通过从粗到细的分辨率级别使用不同的编码策略来表示场景，并利用可学习的位置特征以及基于哈希的特征网格的快速优化速度和局部细节。此外，为了进一步提高性能，还将锥形跟踪特征嵌入到可学习的位置编码中，消除了编码的歧义性并减少了走样伪影。广泛的合成和实际数据集实验证明，与以往最先进方法相比，Hyb-NeRF在更快的渲染速度、更好的渲染质量和更低的内存占用方面取得了优势。

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

本研究着重于一次全新视图合成（O-NVS）任务，目标是在每个场景只给定一张参考图像的情况下合成逼真的新视图。提出了一种使用 GAN 和扩散的生成性细节补偿框架 GD^2-NeRF，该框架在推理时不需要微调，并且具有生动逼真的细节。

Jan, 2024

提出了一种新型的泛化神经辐射场（NeRF）范式，通过基于点而非基于图像的渲染构建了可泛化的神经场，称之为可泛化神经点场（GPF）。该模型通过显式建模可见性并将其与神经特征相结合，提出了一种非均匀取样策略以提高渲染速度和重构质量，并利用特征增强的可学习内核在具有差异性几何结构的区域缓解形变。该研究表明，相比于其他方法和基准数据集，该模型在三个数据集上无论在泛化还是微调设置下，都能提供更好的几何形状、视角一致性和渲染质量，初步证明了该新范式在泛化NeRF中的潜力。

Jan, 2024

NeRF-VPT是一种创新的方法，通过级联的视角提示调整范式，在不依赖外部指导或复杂技术的情况下，从先前渲染的RGB数据中采样作为先验信息，逐步提高渲染图像质量，显著提升基线性能并生成更高质量的新视角图像。

Mar, 2024

提出了一种全球引导的焦点神经辐射场(GF-NeRF)，利用两阶段结构和全球引导的训练策略，在大规模场景中实现高保真度的渲染结果。

Mar, 2024

本研究解决了现有神经辐射场（NeRF）在3D风格迁移中需进行每场景优化的问题，提升了其适用性和效率。通过引入可泛化的NeRF模型与超网络，我们实现了在不同场景中无需场景特定模型就能生成风格化新视图的能力。研究表明，该方法在视觉质量上与逐场景方法相当，同时显著提高了效率和适用性，标志着3D风格迁移领域的一大进展。

Aug, 2024