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（NeRF）的问题。该方法通过构建CAD模型库，实现与稀疏视图图像的形状检索，并优化密度场和相机姿态。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。

本文介绍了一种基于NeRF的学习方法，名为NeRF-W，能够从无组织的野外照片中合成复杂场景的新视图，达到接近照片现实主义的效果。研究探讨了NeRF在3D计算机视觉和图形学中的应用，提出了多模态学习策略，并结合热成像技术提升场景重建质量，展示了超光谱NeRF在3D重建中的潜力。

本文介绍了多种基于神经辐射场（NeRF）的算法和应用，包括NeRF-RL强化学习算法、AutoNeRF数据收集方法、联邦学习算法以及结合自编码器的潜空间NeRF。这些研究旨在提升机器人在感知和交互中的表现，并探讨多机器人协同感知的潜力，推动该领域的发展。

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。

本文探讨了NeRF在图像视角合成中的应用及改进，特别是在大规模三维场景中的表现。研究提出了多种方法，如引入深度监督、使用事件相机和红外热成像技术，以提高渲染质量和鲁棒性。新方法EBAD-NeRF和E$^3$NeRF有效解决了运动模糊问题，展示了在动态和低光环境下的应用潜力。

本文介绍了多种基于神经辐射场（NeRF）的方法，如S-NeRF、MVG-NeRF和贝叶斯NeRF，旨在提高三维重建的准确性和不确定性量化。这些方法结合深度信息、法线和贝叶斯学习框架，优化了场景预测和视角合成，展示了在动态环境和稀疏视图设置中的有效性。

本文提出了一种基于稀疏特征选择的鲁棒PCA展开网络，旨在提高超分辨率X-ray冠状动脉造影（XCA）血管成像的质量。该方法有效解决了血管稀疏建模效率低、噪音和高计算成本等问题，实验结果表明其成像质量优于现有技术，为医学成像提供了新工具。

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。

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。