本文介绍了多种基于神经辐射场（NeRF）的方法，如D-NeRF、NR-NeRF和BANMo，旨在实现动态场景的重建与渲染。这些技术能够从单目视频生成高质量的3D模型和新视角图像，探讨了非刚性场景的三维重建、场景分解及其面临的挑战，强调了在计算机视觉中的应用潜力。

本文提出了一种基于神经辐射场（NeRF）的三维语义分割新方法，利用2D监督提取特征，优化3D特征场，支持语义场景分解和局部区域编辑，显著提升训练和渲染速度。实验结果表明，该方法在3D分割和编辑任务中表现优异，展示了其在3D场景理解中的潜力。

该研究提出了一种名为sVORF的新的三维物体中心表示学习框架，通过无监督地分解复杂场景为单个对象，并利用对象槽引导对象辐射场的合成。研究结果显示，sVORF在场景分解和生成任务中表现出最佳结果，并在现实世界场景中分割对象具有潜力。该方法有望在三维物体中心表示学习领域提供初步理解和帮助。