NeRAF 是一种结合声音和辐射场的学习方法，能够实现逼真的视听生成。通过 SoundSpaces 数据集，NeRAF 在性能和数据效率上显著提升，增强了稀疏数据训练的视图合成。文中还介绍了神经声学场（NAFs）和 Real Acoustic Fields（RAF）数据集，后者提供高质量声场数据，支持音频和视觉神经声学场建模研究。

本文提出了一系列改进的三维重建方法，包括基于高斯表示的辐射场技术和超分辨率3D高斯喷洒方法，显著提高了重建质量和渲染效率，适用于人体建模和室内环境等应用。

ARF-Plus 是一种 3D 神经风格转换框架，通过颜色保持、比例、空间和深度增强控制，实现对 3D 场景的可控风格化。该框架采用鲁棒的辐射场表示和延迟反向传播方法，提升了风格转移质量，支持多视角一致性和灵活的样式生成。

本文介绍了一种名为NeRF综合的新任务，利用NeRF补丁范例构建大尺寸的新辐射场。研究表明该方法能够生成高质量的结果，增强了NeRF综合方法的实用性。