本文综述移动与嵌入式平台深度神经网络推理优化研究，涵盖动态超网络实现算法与硬件协同的性能权衡（在Jetson Xavier NX上速度提升2.4倍或准确率提升5.1%）、分级资源管理器降低能耗与延迟，以及分布式DDNN、双重动态推理、DynO卸载框架、LC-Net全动态模型、GNNFlow图学习和JointDNN、Edgent协作推理等进展。

该文介绍了一种名为HyperFields的方法，可以生成以文本为条件的神经辐射场。该方法使用动态超网络和NeRF蒸馏训练，适应超过一百个独特场景，并能预测新的分布内和分布外场景。对HyperFields进行微调能够加速收敛，并且能够比现有的基于神经优化的方法更快地合成新场景。消融实验表明，动态架构和NeRF蒸馏对于HyperFields的表达能力至关重要。