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），旨在解决稀疏输入情况下Novel视图合成的性能下降问题。通过匹配先验学习的三维场景结构并优化高斯原件位置，实验结果表明该方法在复杂大场景中表现优异且高效。

本文介绍了多种基于神经辐射场（NeRF）的方法，如NeRF-ID、Block-NeRF和Aug-NeRF，旨在提高视图合成质量和渲染效率。研究提出了适应性多NeRF和ProNeRF等新技术，显著提升了渲染速度和质量，能够处理复杂场景和动态变化，展示了在3D场景生成和变化检测方面的最新进展。

本文探讨了一种高质量实时1080p分辨率的新视图合成技术，提出了3D高斯函数表示、优化参数和可见性感知渲染算法。通过减少高斯点数量和存储空间，实现高性能实时渲染。此外，介绍了基于神经辐射场的ThermoNeRF方法，能够同时渲染RGB和热像视图，提升场景重建质量。研究还提出了因式化三维高斯粒子点描方法，显著降低存储需求并保持图像质量。

本文介绍了基于深度学习的视图合成和图像重建方法，包括神经辐射场（NeRF）和新型神经光场模型。这些方法通过优化采样策略和引入新型网络结构，显著提升了渲染质量和计算效率，适用于复杂场景和移动设备。研究表明，这些新技术在速度、质量和资源利用方面优于现有方法。

本文介绍了新型神经网络模型ECANets、UBotNet和S-NeRF在城市环境中的应用。这些模型通过捕获长程相关性和动态场景特征，提升了图像分割、深度估计和视图合成的准确性，展现了在复杂城市场景中的潜力和优势。

本文介绍了多种基于深度神经网络的视图合成和图像重建方法，如NR-NeRF和LU-NeRF，强调了在动态场景和复杂环境下的相机姿态估计与渲染性能的提升。这些方法通过优化框架和新颖模型设计，实现了高质量的3D场景重建和新视角合成，并在实际数据集上表现优越。

本文介绍了多种改进神经辐射场（NeRF）的方法，如DietNeRF、BARF和HyperNeRF，旨在提升3D重建和视图合成的质量。这些方法在处理稀疏视图、优化相机姿态和新视角合成方面表现出色，显著提高了模型性能。

3D高斯散射（3D-GS）是计算机图形学的重要进展，提供高效的场景表示和视图合成技术。本文综述了3D-GS的理论基础、应用及最新进展，强调其在3D重建、编辑和渲染中的优势，指出其在保持高渲染质量的同时显著提升训练效率，并探讨未来研究方向和挑战。

本文介绍了多种改进神经辐射场（NeRF）的方法，如SGCNeRF、SE-NeRF和Sparse Neural Radiance Grid，旨在提升少样本视图合成性能和实时渲染能力。这些方法通过正则化技术、深度监督训练和自我进化框架，显著提高了渲染图像质量和几何一致性，并在不同数据集上表现优越。

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。

本文提出了一种新的动态场景视图合成方法，结合时间、运动和旋转参数，利用三维高斯函数和神经特征实现高分辨率实时渲染。通过增强高斯核与表面法向对齐，模拟固体和流体的动态，提升场景交互效果。同时，提出基于高斯斑点的稠密SLAM方法，能够实时重建和渲染场景，展现出优越的渲染质量和效率。

本文提出了一种新颖的多层深度图机制，以提高人体姿态估计的精度。研究表明，通过视觉场景几何信息和视图合成，可以从单个图像推断3D结构，并在不同场景中验证其有效性。

本文探讨了改进神经辐射场（NeRF）在少视角下表现的方法，包括几何感知一致性正则化、半监督学习和自我进化框架。这些方法通过优化训练策略和引入辅助损失，显著提升了视图合成质量。

本文探讨了一种高质量实时1080p分辨率的新视图合成技术，提出了优化的3D高斯喷涂表示法，包括快速渲染和动态重建。研究介绍了名为RadSplat的轻量级方法，能够以900帧每秒渲染复杂场景，并提出实时去模糊框架和多尺度算法以提升渲染质量。实验验证了该方法的鲁棒性和效率，为未来3D重建技术的发展提供了新思路。

本文介绍了基于神经网络的辐射场模型，包括Point-NeRF和S-NeRF，旨在提高视图合成和场景重建的质量与效率。Point-NeRF结合了NeRF和多视图立体成像的优点，快速处理3D重建错误；S-NeRF通过改进参数化函数和使用稀疏LiDAR点，显著降低均方误差。此外，研究探讨了合成数据在机器人重定位中的应用，提升了定位精度。

本文介绍了多种基于神经辐射场（NeRF）的动态去模糊和视图合成方法，如DyBluRF、Deblur-NeRF和D-NeRF。这些方法通过优化模糊核、相机轨迹和时间变量，实现高质量的动态场景重建和实时渲染，显著提升了图像清晰度和合成效率。