视频链接：【AI講壇】NeRF與它的快樂夥伴們 [Neural radiance fields]
NeRF 的主要优势：能够正确处理反光、估算的深度较准、等等。
一、nerf in the wild
Google Research、未开源
NeRF in the Wild: Neural Radiance Fields for Unconstrained Photo Collections. CVPR 2021 (Oral)
该算法解决了以下两个问题：
（1）如果拍摄环境中有很多“变化物”，比如游客等，自然会对最后的渲染结果产生影响；
（2）不同时刻的光线、拍摄设备导致的图像色彩差异等，都会对目标物的拍摄结果产生影响；
该算法可以除去“变化”的元素（比如移动的游客），并最终呈现了：从早到晚、各个时间段的建筑物的渲染效果。
二、Neural Scene Flow Fields
Adobe、开源
Neural Scene Flow Fields for Space-Time View Synthesis of Dynamic Scenes
特点：拍摄时相机、目标物都在动，该算法可以单独分离出二者，实现：
（1）固定视角，渲染人物动态效果（类似实现 Bullet Time 的特效），即Fixed view, time interpolation；
（2）固定目标物的某一帧进行渲染，最后的效果和 NeRF 类似，即 Fixed time, view interpolation；
（3）相机和目标物都不固定，即 space-time interpolation；
具体效果可以看项目主页上的视频，很直观。
三、D-NeRF
开源
D-NeRF: Neural Radiance Fields for Dynamic Scenes
使用单相机进行重建，并且纹理比较好。
不足：只对 CG 场景做了测试，没有对实际场景做测试。
四、Mip-NeRF
Mip-NeRF: A Multiscale Representation for Anti-Aliasing Neural Radiance Fields
解决了问题：采用 Ray Tracing 以在光线上采样会导致最后的 Mesh 结果锯齿化。
Mip-NeRF 算法采用了”圆锥状“光线，并进行 Anti-aliased。
五、NeRFReN
NeRFNeR:Neural Radiance Fields with Reflections
该算法实现了：把场景中的反射物带来的反射成像（比如镜子的成像），完全去掉，最后只呈现没有反光的场景结果。此外还实现了只对反射成像进行重建，或者融合其他场景作为反射成像（还是很神奇的）。
六、NeRF plus plus
创新点：对较大规模的场景（包括近、远两部分）进行重建。做法是分成两个神经网络重建，然后合并。
改进：Mip-NeRF 360
Mip-NeRF 360: Unbounded Anti-Aliased Neural Radiance Fields
借鉴两段式这种重建的思路，提升上面算法的效果。
七、NeRF in the dark
Google Research，未开源
NeRF in the Dark: High Dynamic Range View Synthesis from Noisy Raw Images
针对夜晚的图片进行训练，尝试克服图片的噪声，实现了控制场景的亮度、可以 Focus on 不同的目标物体（更换成像主体）。
八、hyperNeRF
创新：
拍摄的场景变复杂（非刚体，比如突然张嘴、掰饼干这种变化比较大的变化）
之前的工作：Nerfies
九、Neural scene graphs
和自动驾驶相结合。自动驾驶场景中，车子一直往前开，车子所看的范围的比较大。利用 KITTI 数据集的 box ，每个 box 都有它自己的 NeRF 模型。
十、refNeRF
进一步增强反射效果。把原本视角的向量 进一步分为：物体表面法向量 和反射向量 。做到了更好的反射的效果。
参考 phong shading 把物体的渲染分为：Diffuse + Specular = Phong Reflection. 也就是物体原本的颜色和反光共同构成了最后的结果。
真实物理世界都是比较 rough 的平面，所以得到的反射结果也是各种各样的。
十一、city nerf
利用 Google 的卫星云图，从高到低，逐渐训练，细节逐渐增多，即 Level of details
但是也受限于尺度太大，所以最后的细节也不是那么清晰。
1. 如何减少所用的图片。
- pixelNeRF: 从极少数图片（3张）中渲染。
- mvsNeRF: 依旧是 3 张图像，生成的效果比 PixelNeRF 更好的效果；
- IBRNet: 和 mvsNeRF 思想差不多，只不过实现有点不同；
2. 提高生成速度。
NeRF 为什么慢？对每个像素（4K 的图像有上千万的像素）的光线都要进行采样，而且要采几百个点。
Unity 加速：把光线上的采样点的结果保存到 3D 矩阵中，这样在渲染时直接用训练得到的结果，就不用再重新计算。
neural sparse Voxel Fields(NSVF): 把整个空间细分层很小的 3D 小方块，并且把没有包含任何物体的小方块去掉，得到加快速度、提升最后渲染效果，一举两得的效果。
PlenOctrees: 同样把 3D 空间细分化。会发现本体的部分更加细分。作者同时也实现了 Volume rendering: 最开始运用在医学侧面，从外到内、人体器官的切面。作者 Alex Yu，也挺厉害的。
kilonerf: 每个小格子都有自己的 DNN 网络，不让一整体 DNN 负责所有格子的计算；而且每个小格子的计算量就很小了，从而极大的加快了速度。并且：这个都是作者自己拿 CUDA 写的，很 NB ！
NeRFmm: 提前不需要使用 COLMAP 进行标定，直接输入图片，同时学习相机的位姿和渲染。但是尺度可能学不到。
Barf：也是同时优化位姿，先求一个大概的位置，然后再细化（coarse to fine）
机器人上 NeRF 的应用：
Neural Descriptor Fields: SE(3). ndf_robot
流程：5-10次，学习抓取杯口朝上的杯子；学会了抓取不同方向的杯子。比监督学习强多了。
重建物体的 3D 点云，学习抓取点的特征点。学习抓取点附近的一群点的特征。