本文介绍了一种基于机器学习的新方法，通过两个CNN对稀疏视角图像进行合成，显著提高了图像质量并降低了光场相机的角度分辨率需求。研究提出了全景神经辐射场模型和局部光场融合算法，解决了视图合成中的稀疏采样问题，推动了新场景表示技术的发展。

SuperUDF是一种自我监督的UDF学习方法，用于高效训练和对稀疏采样的鲁棒性。它使用了一种新颖的正则化方法和基于学习的网格提取方法。SuperUDF在多个数据集上的质量和效率方面优于现有技术。

SuperUDF是一种自我监督的UDF学习方法，用于高效训练和稀疏采样的鲁棒性。它使用了一种新颖的正则化方法，受到经典的表面逼近算子LOP的启发。SuperUDF还提出了一种基于学习的网格提取方法。在多个数据集上，它在质量和效率方面优于现有技术。

本文提出了一种名为UN-EPT的框架，用于解决复杂场景中的语义分割问题。该框架综合考虑了上下文信息和边界伪影，并采用了稀疏采样策略和单独的空间分支来提高效率和捕捉图像细节。该方法在三个常用的语义分割数据集上表现出优秀的性能，并具有较低的内存占用。

本文通过利用场景语义先验，改进了NeRF-based模型，提高了训练速度和渲染效果。通过稀疏采样负射线样本和弱监督方法，进一步加速训练并保持渲染质量。提出了一种新的场景编辑技术，通过扩展像素语义和颜色渲染公式，实现特定语义目标的独特显示或掩盖。通过自监督循环解决场景中无监督区域的不正确推断问题。