本文提出了一种名为Worldsheet的方法，利用单一RGB图像进行新视角综合。该方法通过可学习的中间深度生成逼真的3D视角，无需3D监督，并在多个数据集上超越现有技术，能够有效处理遮挡，生成可导航的3D弹出窗口。

该研究介绍了CO3D数据集，包含近19,000个视频和1.5百万帧图像，支持新视角综合和3D重建。研究还提出了基于Transformer的NerFormer神经渲染方法，能够根据少数视角重建物体，并提供精准的相机位置和物体姿态标注，促进3D应用的发展。