首先优化了体-面混合神经场景表示法，使其具有与场景中的曲面相对应的良好水平集。然后，我们将这一表征烘焙成高质量的三角形网格，并为其配备一个基于球形高斯的简单、快速的视图相关外观模型。最后，我们对烘焙表示法进行优化，以最好地再现捕捉到的视点，从而得到一个可以利用加速多边形光栅化流水线在商品硬件上进行实时视图合成的模型。

3D Gaussian Splatting for Real-Time Radiance Field Rendering

paper：3D Gaussian Splatting for Real-Time Radiance Field Rendering | ACM Transactions on Graphics

code：GitHub - shumash/gaussian-splatting: Original reference implementation of "3D Gaussian Splatting for Real-Time Radiance Field Rendering"

project page：3D Gaussian Splatting for Real-Time Radiance Field Rendering

首先，从摄像机校准过程中产生的稀疏点开始，我们用三维高斯表示场景，这种三维高斯保留了用于场景优化的连续容积辐射场的理想特性，同时避免了在空白空间进行不必要的计算；其次，我们对三维高斯进行交错优化/密度控制，特别是优化各向异性协方差，以实现场景的精确表示；第三，我们开发了一种快速的可见性感知渲染算法，该算法支持各向异性拼接，既能加快训练速度，又能实现实时渲染。

我们引入了三个关键要素，使我们能够实现最先进的视觉质量，同时保持有竞争力的训练时间，更重要的是，我们能够在 1080p 分辨率下进行高质量的实时（≥ 100 fps）小说视图合成。

ViP-NeRF: Visibility Prior for Sparse Input Neural Radiance Fields

paper：https://arxiv.org/abs/2305.00041

code：https://github.com/NagabhushanSN95/ViP-NeRF

project page：ViP-NeRF: Visibility Prior for Sparse Input Neural Radiance Fields

当输入图像稀疏时，神经辐射场（NeRF）在新视图合成中的性能会明显下降。我们使用输入帧中像素可见度的先验值对 NeRF 训练进行正则化。我们使用平面扫描量计算可见度先验，无需任何预训练。

Nerfstudio: A Modular Framework for Neural Radiance Field Development

paper：https://arxiv.org/abs/2302.04264

code：GitHub - nerfstudio-project/nerfstudio: A collaboration friendly studio for NeRFs

project page：nerfstudio

一个模块化 PyTorch 框架

Relighting Neural Radiance Fields with Shadow and Highlight Hints

paper：https://dl.acm.org/doi/pdf/10.1145/3588432.3591482

code：——

重光照、SDF。

通过第二个多层感知器对每个点的局部和全局光传输进行建模，除了密度特征、当前位置、法线（来自带符号的距离函数）、视图方向和光照位置之外，还采用阴影和高光提示来帮助网络对相应的高频光传输效应进行建模。

DE-NeRF: DEcoupled Neural Radiance Fields for View-Consistent Appearance Editing and High-Frequency Environmental Relighting

paper：DE-NeRF: DEcoupled Neural Radiance Fields for View-Consistent Appearance Editing and High-Frequency Environmental Relighting | ACM SIGGRAPH 2023 Conference Proceedings

code:——

通过混合光照表示将场景中与视图无关的外观和与视图有关的外观解耦。具体来说，我们首先训练一个带符号的距离函数，为输入场景重建一个显式网格。然后，解耦 NeRF 通过在网格顶点上定义代表几何形状和与视线无关的外观的可学习分离特征，学习将与视线无关的外观附加到重建的网格上。在照明方面，我们使用显式可学习环境贴图和隐式照明网络对其进行近似，以支持低频和高频重新照明。