本研究提出了一种视频扩散模型，解决了3D重建与生成之间的条件缺口，提升了生成模型的训练效果，并验证了其在稀疏视图和遮挡输入下的视图合成有效性。

本研究提出了一种基于模型的图像压缩技术，旨在解决远程操作车辆在水下环境中实时图像传输的瓶颈。该技术利用机器学习的视图合成模型，通过梯度下降优化生成可压缩的图像差异，实验结果表明其在压缩比和图像质量上优于现有方案，具有良好的鲁棒性，推动了远程操作车辆的应用。

本研究提出了一种新方法，针对稀疏输入视图合成问题，利用现代3D表示技术提升合成图像质量，适用于静态和动态场景。

本文探讨了利用现代扩散模型架构从单个输入图像合成新视图的挑战，研究表明该方法显著优于以往技术。尽管几何信息编码方法能提升性能，但其影响相较于改进的生成模型较小。新训练方案利用单视图数据集，增强了对非领域内容场景的泛化能力。

本研究提出了一种结构一致的高斯点云方法（SCGaussian），有效解决了稀疏输入下新视图合成效果下降的问题，并优化了高斯原件的位置。实验结果表明，该方法在复杂大场景中表现优异。

该论文介绍了一种新的基于神经网络点云的辐射场模型，Point-NeRF，结合了NeRF和深度多视图立体成像的方法，用于高质量的视图合成和快速的场景几何重建。Point-NeRF相对于NeRF具有快速训练和处理3D重建错误和异常数据的优势。

该论文提出了一种新的NeRF方法，通过两个来源视图推广到新的场景并进行视图合成。该方法利用对应匹配信息建模，提供几何先验，实现体渲染。通过Transformer交叉关注模型跨视图交互，提高特征匹配质量。实验证明了该方法的有效性和优越性。

Point-NeRF是一种新的基于神经网络点云的辐射场模型，结合了NeRF和深度多视图立体成像的优点，可用于高质量的视图合成和快速的场景几何重建。相对于NeRF，Point-NeRF具有快速训练和处理3D重建错误和异常数据的优势。