本文介绍了一种新的街景神经辐射场模型（S-NeRF），通过改进场景参数化和神经表示，解决了现有模型在街景合成中的问题。S-NeRF在多个大规模驾驶数据集上表现优越，均方误差减少7%至40%，移动车辆渲染的PSNR提升45%。此外，提出的Drone-NeRF框架利用NeRF增强无人机摄影的场景重建，解决了复杂性和渲染效率问题。

本文介绍了多种基于神经辐射场（NeRF）的方法，解决3D场景重建和点云配准问题。DReg-NeRF实现了对象中心场景的无干预注册，L2G-NeRF通过细节学习克服了相机对齐限制。无监督方法UnsupervisedR&R在室内场景中优于传统方法，而Drone-NeRF框架则优化了无人机摄影的大规模场景重建，展现了良好的准确性和效率。

SMERF是一种高精度实时视图合成方法，采用分层模型和蒸馏训练策略，实现大场景的高保真渲染。新颖的倾斜平面MRF模型同时推理遮挡边界和深度，表现优于现有方法。Drone-NeRF框架利用神经辐射场增强无人机摄影的场景重建，解决复杂性和渲染效率问题。MuRF方法在多个基线设置下实现高质量稀疏视图合成，展现良好的泛化能力。