本文提出了一种新方法来解决运动模糊对Neural Radiance Fields渲染图片质量的影响问题。该方法利用模型和学习模块，通过建模模糊形成过程和使用可学习的响应函数来适应实际事件相机传感器中的非理想性。实验结果表明，该方法在合成和真实数据上优于已有的去模糊NeRFs方法，分别提高了6.13dB和2.48dB。

我们提出了一种快速高效且占用内存低的神经网络架构，用于交互式编辑 Neural Radiance Fields。通过图像编辑和几何和外观调整，我们能够实现编辑结果的视角一致，并通过语义特征提炼和局部3D感知图像内容。与现有的基于文本引导的编辑方法相比，我们的方法加速了10-30倍，并在多个示例上展示了外观和几何编辑的效果。

本文提出了一种用于一般相机的自校准算法，可以处理任意非线性失真。该算法采用了针孔模型、四阶径向失真和通用噪声模型，并使用了 Neural Radiance Fields 和新的几何损失函数来处理复杂的非线性相机模型。该模型可以从头开始学习相机内参和外参，无需 COLMAP 初始化，并可提高 PSNR。该算法易于使用，可应用于 NeRF 变体以提高性能。