- 快速高效：用于 3D 场景分割的掩模神经场
通过底层模型的信号转换，快速高效地进行弱监督下的 3D 场景分割。
- 将连续的表示与几何联系起来：等变神经场
我们提出了基于交叉注意力变换器的等变神经场，其中神经场被条件变量以及几何条件变量所控制，从而实现了从潜变量到场的等变解码。我们的等变方法具有可调整性，当神经场发生变换时，潜变量也相应地表示变换，反之亦然。这种等变关系确保了潜变量能够 (1) - ReFiNe: 递归场网络用于跨模式多场景表示
通过递归分层表达和利用对象的自相似性，我们提出了一种对多个形状进行编码的方法，能够以比以前更高的精度和低内存使用量来表示连续神经场。我们的方法支持空间和全局到局部潜在特征融合，并能够进行连续场查询，从而支持射线追踪等应用，并在多个数据集上进 - AROMA：利用局部神经场对潜在偏微分方程建模的空间结构保持
AROMA 是一种用于增强利用局部神经场建模偏微分方程（PDEs）的框架，其灵活的编码器 - 解码器架构可以从各种数据类型，包括非规则网格输入和点云，获取平滑的空间物理场的潜在表示，这种多样性消除了补丁操作的需要，并允许对不同的几何形状进行 - 通过神经场对动态 CT 图像重建的增强及明确运动规则化
用于动态逆问题的图像重建：高度欠采样数据的图像重建是一个重大挑战，现有的变分方法和神经场方法被应用于改善图像质量并引入时间正则化，本文研究并展示了在 2D + 时间计算机断层扫描中引入显式的基于偏微分方程的运动正则化的好处，并比较了神经场与 - 神经高斯尺度空间场
我们提出了一种高效、轻量级的方法，用于学习任意信号的全连续、各向异性的高斯尺度空间。基于傅立叶特征调制和利普希茨边界，我们的方法通过自我监督训练，能够忠实地捕捉多尺度表示，支持各种应用，包括图像、几何、光场数据、纹理抗锯齿和多尺度优化。
- 门控场景学习：从门控视频中学习场景重建
通过利用时间观察重建室外三维场景是一个具有挑战性的问题，本文介绍了一种利用神经场的新方法 - Gated Fields，它结合了主动门控视频序列和光照，在各种环境光照条件下实现了精确且密集的几何重建。
- 自适应神经图像的极度压缩
该研究论文以压缩神经场为中心，介绍了自适应神经图像（ANI）的方法，能够在不损失细节和保持保真度的情况下将神经图像的每个像素位数降低了 4 倍，为发展压缩神经场提供了一个新框架。
- 桥接运算符学习与条件神经场：统一视角
运算符学习是机器学习的一个新兴领域，旨在学习无限维度函数空间之间的映射。本文揭示了运算符学习体系结构与计算机视觉中的条件神经场之间的联系，为研究流行的运算符学习模型之间的差异提供了统一的视角。我们发现许多常用的运算符学习模型可以看作是带有点 - M^2DNeRF：带有 3D 特征域的多模态分解 NeRF
多模态分解 NeRF（${M^2D}$NeRF）是一种能够进行文本和视觉补丁编辑的单一模型，通过使用多模态特征蒸馏来整合来自预训练视觉和语言模型的教师特征到三维语义特征体积，从而促进一致的三维编辑。实验证明，在三维场景分解任务中，相较于以前 - 雷达场：基于频率 - 空间的神经场景表示法用于 FMCW 雷达
基于活跃雷达成像仪的雷达场景重建方法，通过在傅立叶频率空间中学习场域，并通过原始雷达数据进行监督，可有效地在各种户外场景中提取场景占用情况。
- Lightplane: 高可扩展的神经三维场组件
现代 3D 研究中，特别是在重建和生成方面，严重依赖于 2D 图像输入或监督。然而，目前这些 2D-3D 映射的设计占用大量内存，对现有方法构成了重大瓶颈，并阻碍了新的应用。为此，我们提出了一对高度可扩展的用于 3D 神经场的组件：Ligh - 神经场中的物体注册
本文介绍了神经场在机器人应用中对 3D 几何和外观的连续场景表示，重点探讨了神经场在机器人领域中用于对象 6 自由度注册的方法和应用，展示了利用场景和对象神经场模型确定已知对象在场景中的 6 自由度姿态的情景，并展示了如何在不完美模型的场景 - BANF：用于详细层次重建的带限神经场模型
通过简单修改，我们可以获得经过低通滤波的神经场，并展示如何利用此技术获得整个信号的频率分解，从而有效地计算出更粗糙的表示形式。
- 基于纵向 MRI 的前庭神经瘤生长预测：时间条件下的神经场
介绍了一种利用深度学习方法进行肿瘤生长预测的技术，采用神经场和循环神经网络，并通过时间编码策略实现对肿瘤形状的预测。在实验中，模型表现出显著改进，特别是对于生长或缩小最为明显的肿瘤。
- NeRF-MAE: 自监督三维表示学习的遮罩自动编码器用于神经辐射场
神经场在计算机视觉和机器人技术中表现出色，能够理解三维视觉世界，例如推断语义、几何和动态。我们使用神经场进行自监督预训练，尤其是使用遮盖的自动编码器从 RGB 图像生成有效的三维表示，然后将标准的三维视觉 Transformer 应用于 N - CVPR从激活到初始化：优化神经场的扩展洞见
深入研究网络初始化和激活之间的复杂相互作用，为神经场的鲁棒优化提供了基础，强调了在设计尖端神经场时需要采用整体方法。
- NERV++：一种增强的隐式神经视频表示方法
通过引入神经代表视频的 NeRV++，作为 NeRV 解码器架构的一种增强改进方法，使用可分离卷积残差块（SCRBs）和双线性插值跳跃层等特性，大幅提高了 INR-based 视频编解码的效果和表示能力，实现了与自动编码器基于视频编码相竞争 - 几何感知神经网络
提出了几何信息神经网络（GINN）的概念，该网络涵盖了在几何约束下的学习、神经场作为合适的表示以及在几何任务中遇到的欠定系统的多样化解决方案生成。 GINN 公式不需要训练数据，并且可以被认为是完全由约束驱动的生成建模。 将显式多样性损失添 - Reg-NF: 神经场中隐性表面的高效配准
本研究采用神经场进行注册，通过优化两个具有不同缩放因子的任意神经场之间的相对 6 自由度变换，实现连续隐式表示的多个神经场的注册，同时讨论神经场在无约束环境中的应用挑战和未来研究方向。