本研究提出了一种新型模块化架构，结合优化的元学习策略，有效解决神经场持续学习中的灾难性遗忘和缓慢收敛问题。实验结果显示，该方法在图像、音频和视频重建任务中表现优异，尤其在城市规模的神经场渲染中适应迅速。

本研究提出了一种基于神经场的框架，通过独立建模整体刚体运动与局部结构变形，实现高效、精确的三维车辆碰撞动态预测，误差降低高达83%。该方法在复杂碰撞场景中提供快速、可靠的车辆安全评估，减少了模拟数据和时间需求。

神经场在计算机视觉和机器人技术中表现出色，能够理解三维视觉世界。研究者使用神经场进行自监督预训练，生成有效的三维表示，并应用于特定形式的训练。他们的方法在各种具有挑战性的三维任务上表现出色，提升了三维物体检测的绝对性能。

神经场在计算机视觉和机器人技术中表现出色，能够理解三维视觉世界。研究者使用神经场进行自监督预训练，然后将标准的三维视觉Transformer应用于NeRF来进行特定形式的训练。他们的方法在各种具有挑战性的三维任务上表现出色。

我们提出了一种新型的神经场，使用了一般径向基函数进行信号表示。该方法相比于现有的神经场方法，能够更好地适应目标信号，提高径向基函数的通道能力，并且通过混合自适应的径向基函数和基于网格的径向基函数，继承了自适应性和插值平滑性，取得了比现有方法更高的精确度和紧凑性。在2D图像和3D有向距离场表示中的实验证明了我们方法的优越性，并且在神经辐射场重建方面，我们的方法实现了与现有方法相媲美的渲染质量，具有较小的模型大小和可比较的训练速度。

本文介绍了神经场在机器人应用中对3D几何和外观的连续场景表示的方法和应用，重点探讨了神经场在机器人领域中用于对象6自由度注册的方法，并展示了利用场景和对象神经场模型确定已知对象在场景中的6自由度姿态的情景。同时，还展示了如何在不完美模型的场景中更好地表示对象，并通过将对象神经场模型替换到场景中生成新场景的方法。

我们提出了一种软硬件协同优化的系统方法，用于从稀疏输入中进行信号重建。软件层面上使用神经场通过神经网络隐式表示信号，并使用低秩分解和结构化剪枝进一步压缩。硬件层面上，设计了一种基于可变电阻存储器的计算内存平台，包括高斯编码器和多层感知器处理引擎。此工作推进了以人工智能为驱动的信号恢复技术，并为未来高效稳健的医疗人工智能和三维视觉应用铺平了道路。

神经场在计算机视觉和机器人技术中表现出色。使用神经场进行自监督预训练，生成有效的三维表示。利用NeRF的体积网格作为Transformer的输入，通过遮盖NeRF的辐射和密度网格的随机补丁，使模型学习完整场景的语义和空间结构。NeRF-MAE自监督预训练方法在各种三维任务上表现出色，提升绝对性能超过20％和8％。

该研究提出了一种利用神经场快速构建生物医学图像图谱的方法，应用于胎儿子宫内动态BOLD MRI时间序列的学习和运动稳定化，收敛速度快5-7倍，为胎儿BOLD时间序列提供高质量的图谱，能够快速处理和稳定大型数据库的4D动态MRI采集。

本文介绍了一种新的混合表征和端到端可训练的网络体系结构，用于建模可编辑和可定制的神经化身。该模型具有3D一致性，并利用神经场的模建模力量。通过贡献一个新的高质量数据集，该方法生成了多样化的详细化身，并比现有方法获得更好的模型拟合性能。

本文提出了一种有效的方法，将时间残差层引入神经场，用于表示复杂的时间信号。通过矩阵分解技术，降低可训练参数数量并增强泛化能力，实现了对2D视频逼近、动态形状建模和动态NeRF重建等任务中结果的稳定提升。通过展示在轻量级捕获系统的稀疏传感输入中捕获动态3D场景的实际效果，证明了ResFields的实用性。