本研究解决了现有对抗攻击在人形检测中的低成功率问题，提出了一种创新的UV-Attack方法，利用动态NeRF基础的UV映射技术进行高效攻击。研究表明，该方法在不同动作和视角下取得了92.75%的攻击成功率，显著超越现有技术，展示了动态NeRF的潜力用于人形检测中的对抗攻击。

本研究解决了在计算机图形学中纹理合成的不足，特别是在模型复杂的3D几何空间中。提出了一种新的纹理合成方法，利用神经辐射场（NeRF）从多视图图像中捕捉和合成纹理，并引入集群约束以提升生成质量。实验结果显示，该方法在平面和曲面上，都能有效生成具有细致几何细节的纹理，具有重要的应用价值。

本研究针对现有神经辐射场（NeRF）在处理多个三维场景时所面临的模型存储和训练时间问题，提出了一种新颖的条件持续框架$C^{3}$-NeRF。该框架通过简单的伪场景标签来处理多个场景，展现出不需要额外参数而能生成高质量新视图渲染的潜力，同时有效防止之前学习场景的遗忘。

本研究针对基于NeRF的会说话头部合成中的视觉伪影和高训练成本问题，提出了一种新框架LokiTalk，通过建立细粒度和可泛化的对应关系，提高了人脸动态表现和训练效率。研究表明，LokiTalk在动态准确性和合成质量上显著优于以往方法，具有广泛的应用潜力。

本文提出了一种新方法，通过解耦的神经辐射场（NeRF）实现不同场景中的材料变换，学习双向反射分布函数（BRDF），并在未知场景中应用。实验结果证明了该方法的有效性。

本研究提出了一种CAD-NeRF方法，旨在解决在未知摄像机姿态下从少于10张图像重建神经辐射场的问题。实验结果表明，该方法在合成和真实图像上均表现出良好的准确性和泛化能力。

本研究提出了一种半监督学习方法，结合未标注的LiDAR点云和相机图像，解决LiDAR语义分割中的数据标注不足问题。通过NeRF头生成伪标签，显著提升了多个公开基准的性能，具有实际应用潜力。

本研究提出TeX-NeRF方法，通过引入材料发射率和伪TeX视觉预处理红外图像，解决NeRF在低光环境下的3D场景重建问题，实现高质量重建和准确温度估计。实验表明，该方法的效果与高质量RGB图像相当，适用范围更广。

过去十年，单一机器人感知有进展，但多机器人协同感知研究较少。本文提出一个创新的数据集，利用空中和地面机器人的协同优势，提供多样化的传感器视角和高级感知注释，促进多机器人协同感知算法的研究。

研究表明，隐式紧凑模型能从多个视角学习场景，但速度较慢。ProNeRF通过投影感知采样网络和新训练策略，在内存、速度和质量上取得平衡，比NeRF快15-23倍，PSNR高0.65dB，比HyperReel高0.95dB，在LLFF和Blender数据集上表现优异。

本研究提出了一种基于NeRF的网络，通过自监督学习提取音频特征，并采用对比学习方法，确保音频特征与口部运动的对齐，同时拆分与面部其他肌肉运动无关的部分。研究结果表明，该方法能够合成高保真度的谈话面孔视频，并在面部表情转移和口型同步方面达到最新的技术水平。

本研究提出了BRDF-NeRF模型，用于理解卫星图像中的地球表面反射率。通过仅使用少量训练数据，该模型能够合成新视角并生成高质量的数字表面模型。

本文提出了一种解决实时重光照计算成本高问题的新方法，通过CNN渲染器计算直接照明和轻量级哈希网格渲染器进行间接照明，实现实时物理基础渲染且渲染质量损失很小。

本研究解决了快速相机运动下重建清晰神经辐射场（NeRF）时的模糊伪影问题。通过利用模糊RGB图像和事件相机数据进行重建，并考虑相机建模的不完美性，实验结果表明该方法显著提高了重建效果，为未来的计算摄影提供了新的工具和数据集。

贝叶斯神经辐射场（NeRF）能够准确量化不确定性，无需额外网络，适用于挑战性观测和无控制图像。通过扩展NeRF，处理RGB和深度的不确定性，并在全面数据集上提升性能。

本研究提出了NeRF-CA方法，通过冠状动脉的运动将场景分解为动态和静态组件，实现了从仅有四个造影序列中进行高质量的4D重建。

我们提出了一种基于补丁的方法，通过利用单眼表面法线和相对深度预测，在几何学和视图合成方面提供准确的3D模型。实验结果表明，在ETH3D MVS基准测试中，我们的方法在平均F1@2cm上提供了RegNeRF的4倍性能和FreeNeRF的8倍性能。这为改善基于NeRF模型的几何精度以及促使NeRF模型超越传统MVS方法提供了有价值的研究方向。

本研究解决了现有神经辐射场在重建室内平面区域时的不足，尤其是在弱纹理的场景中。通过引入神经矢量场作为隐式表示，并提出新的密度-矢量场关系和训练方案，VF-NeRF能够更准确地建模大规模平面表面和尖角。当可用深度线索时，我们的方法进一步提升了室内场景重建和新视角渲染的效果，达到了最先进的成果。