- IReNe: 神经辐射场中的即时染色
通过在预先训练的 NERF 模型和单一训练图像中实时调整网络参数，IReNe 能够快速、准确地调整颜色编辑，同时控制物体边界和视图效果，从而实现了在 NERF 中近实时的颜色编辑和物体控制。
- CVPR野外无干扰 NeRFs 的即时利用不确定性
通过简单高效的方法，在复杂的野外场景中从仅仅随意捕捉的图像序列中合成新视角，去除干扰物以及极大地提高收敛速度，从而显著改进了现有技术，为 NeRF 在各种多样化的动态现实应用中开辟了新的研究方向。
- SAGS：结构感知的三维高斯投影
提出了一种能够隐式编码场景几何结构的结构感知高斯喷洒方法 (SAGS)，通过基于本地 - 全局图表示促进复杂场景的学习并强制保持场景几何的有意义的点位移，与现有的 3D-GS 方法相比，在渲染质量和模型大小两方面都展现出卓越的性能，能够有效 - CVPR通过神经透视函数和辐射场的反渲染光滑物体
基于 NeRFs 和光线追踪，我们提出了一种 5D 神经光场（NeP），通过渲染方程，可以更准确地表达光照 - 物体相互作用，同时使用材质感知锥采样策略有效地集成 BRDF 波束内的光源。
- 探索 3D 感知潜在空间以高效学习多样场景
我们提出了一种方法，实现了将 NeRFs 扩展到学习大量语义相似的场景。我们结合了两种技术来改善每个场景所需的训练时间和内存成本，通过学习三平面场景表示来降低场景学习的分辨率。此外，我们还提出了一种在场景间共享公共信息的方法，从而减少学习特 - RoDUS: 城市场景中静态和动态元素的稳健分解
使用 RoDUS 分解算法和 NeRF 模型，在城市场景中准确地捕捉静态和动态元素以及减少背景重建中的错误。
- 通过布局学习实现解耦的 3D 场景生成
我们介绍了一种通过大型预训练的文本到图像模型实现对三维场景进行解缠的方法。我们的关键观点是，通过重新排列具有空间先验的三维场景的部分，可以发现物体的存在，并且这些重排后的场景仍然是原场景的有效配置。具体而言，我们的方法从头开始联合优化多个 - 使用 NeRF-Ensembles 进行密度不确定性量化：数据与场景约束的影响
在计算机图形学、计算机视觉和摄影测量领域，神经辐射场（NeRFs）是当前研究和发展的主要课题。然而，NeRF 产生的 3D 场景重建和后续表面重建的质量主要依赖于网络输出，特别是密度。针对这一关键方面，我们提出利用提供密度不确定性估计的 N - 使用神经辐射场创建视觉效果
利用 Nerfstudio 集成 NeRFs 到传统的 VFX 流水线中，并使用 Blender 进行相机路径对齐和组合，实现 NeRFs 在视觉特效和电影制作中的无缝集成。
- 基于数据驱动的体积先验模型用于少样本超高分辨率人脸合成
提出了一种新颖的体积化人脸先验模型来合成不同于训练分布的主体的超高分辨率新视角，仅需要两个随意拍摄图像的输入视图。
- ICCV蓝色 NF：蓝图神经场
通过先前语义和深度信息，BlueNF 构建了场景的蓝图，实现了直观的 3D 编辑和操作，包括遮掩、外观修改和物体去除等，从而为视觉内容创作做出了重要贡献。
- 通过渐进相机布置提升 NeRF 在复杂环境中的质量
优化 NeRF 模型时，良好的数据样本和有效的相机位置选择对于最终重建的可视化质量至关重要。本研究提出了一种算法，能够以最少的假设来提供改善可视化质量的新相机位置，并在各方面优于基线和类似方法。
- ICCVNOVA：用于神经动态对象组合的新视图增强
提出一种名为 NOVA 的新视角增强策略，用于训练具有光真实 3D 组成的动态对象在静态场景中。相比于先前的工作，我们的框架在将多个动态对象插入到新视角和时间的 3D 场景中时显著减少了混合伪影，实现了可比的峰值信噪比，无需像光流那样的附加 - Dyn-E: 动态神经辐射场的局部外观编辑
本文提出了一种通过操作训练视频单个帧中的像素点来编辑动态 NeRFs 的局部外观的新框架，并引入了本地表面表示来保留未编辑区域，通过学习的可逆运动表示网络将其插入和渲染到原始 NeRF 中，并将其变形到任意其他帧，达到时空一致的编辑结果。
- 使用 2D 扩散模型对 3D 神经辐射场进行编辑的 Edit-DiffNeRF
本文提出了一种名为 Edit-DiffNeRF 的框架，通过对已经训练好的扩散模型的潜在语义空间进行微调以有效地合并这些指令，从而实现对 3D 场景的微调，同时通过多视图语义一致性损失确保在不同的视图中重建潜在的语义嵌入。
- 构建物理场景的视觉基础模型
通过图像预测作为训练标准，我们探索了学习物理场景通用视觉表示的第一步。我们定义了 “物理场景”，发现即使不同的代理可能维护同一场景的不同表示，可以推断出的基本物理场景是唯一的。同时，我们显示了 NeRF 不能代表物理场景，因为它们缺乏外推机 - 分析神经辐射场的内部结构
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。
- NeRF 融合：基于 NeRF 的大规模场景表示
本文介绍了一种名为 NeRFuser 的架构，它可以在不需要访问大量用于生成它们的图像集的情况下，对 NeRF（神经辐射场）进行注册和混合。NeRFuser 使用 re-rendering 技术进行注册，提出了基于采样的反距离加权进行混合， - CVPR通过操作点云编辑神经辐射场
论文提出了 NeuralEditor，用于泛形状编辑任务，通过利用显式点云表示构建 NeRF，并提出基于确定性积分的新型渲染方案，实现了基于点云的形状编辑，取得了最先进的性能。
- 神经辐射场：过去、现在和未来
本篇论文探讨了 Neural Radiance Fields（NeRFs）在 3D 计算机视觉、计算机图形学和机器学习等领域的应用，包括历史、研究进展、潜在应用和影响等方面，并对相关研究进行了分类总结。