本文提出了一种基于文本转图像的扩散模型进行3D合成的方法，避免了对大规模3D数据集的依赖。通过优化神经光辐射场（NeRF）并结合2D扩散模型，研究展示了在几何编辑和对象混合中的有效性，取得了高保真度和多视角一致性，解决了文本驱动的3D生成问题。

本文介绍了一种新方法，通过深度先验优化神经光辐射场模型，实现高保真度的新视角合成。该方法结合深度监督和几何约束，在少量输入图像下显著提升视图合成性能，并在多个数据集上取得了先进结果。

该研究提出了一种用于去模糊的神经光辐射场（NeRF）的事件驱动捆绑调整方法（EBAD-NeRF）。该方法通过混合事件 - RGB 数据来联合优化可学习的姿势和NeRF参数，并引入了强化相机运动模糊的强度变化度量事件损失和光度模糊损失。实验证明EBAD-NeRF在曝光时间内可以准确获得相机姿势，并学习到比以前的方法更清晰的3D表示。

通过引入神经光辐射场（NeRFs），文本到三维生成方法取得了进展。最新工作通过多视角数据微调二维扩散模型，强制执行细粒度的视图一致性。该方法有效减轻了浮动点和完全空白空间的问题。在T$^3$Bench数据集上，该方法达到了最先进的性能。

本文比较了在高性能学术计算集群和 Microsoft Azure 上实现的神经光辐射场（NeRFs）流水线的效果，并探讨了 NeRFs 的用途。