第一篇：MIRReS

高质量的物理一致重建（explicit geometry, BRDF materials, environment lighting）， 并支持重光照（relighting）、场景编辑等下游任务。 新视角合成是附带结果，不是主要研究目标。

代码未开源，且不是针对大尺度街景设计。

两个阶段任务：

• 第 1 阶段：利用 NeRF 提取粗网格（coarse mesh）；

• 第 2 阶段：通过多次反弹路径追踪 + 蒙特卡洛积分，优化材质和光照并精化网格。

第二篇：Crowd-Sourced NeRF

提出了一个面向城市级大规模三维重建的系统性框架，核心是基于 NeRF 的街景三维重建，而非简单的新视角合成。这是一篇专注于如何通过量产车辆众包数据完成大规模、高质量 3D 街景重建的 NeRF 应用型研究。

代码未开源。

第三篇：City-NeRF

这篇文章以城市3D重建为主目标，新视角合成是直接效果。将 Neural Radiance Fields（NeRF）拓展到城市级别（city-scale）的三维场景重建与新视角合成，重点解决了多尺度（multi-scale）场景建模中的分辨率不一致、细节丢失和渲染质量不稳定问题。

2021年的文章，时间有点太久了。

第四篇：SRNeRF

SRNeRF 是一种面向自动驾驶场景的新视角合成方法，可在极少视角（Sparse Views）且无精准相机位姿的条件下重建高保真场景图像，通过引入超分辨率模块与纹理感知损失，提升了合成图像的清晰度与细节保留。

该论文发表于 2025 年，可能由于发表时间较近，作者尚未发布相关代码。

第五篇：PC-NeRF

代码开源。

提出了一种创新的 NeRF 架构，用于在自动驾驶场景中利用稀疏 LiDAR 数据实现大规模三维重建与新视角合成。核心目标是提高在实际条件下（如 LiDAR 帧稀疏、数据缺失等）对环境的建模与渲染能力。

第六篇：NeO360

提出了一种通用的神经辐射场（NeRF）方法，专门用于处理复杂的户外 360° 场景，在仅有极少视角（1～5 张图像）的条件下，实现高质量的新视角合成。本文在结构、泛化能力、渲染质量与编辑性方面都有显著创新。

代码开源。

第七篇：Lightning NeRF

代码开源。

一项面向自动驾驶场景的新视角合成研究，旨在解决 NeRF 在复杂室外环境中的效率瓶颈和重建精度问题。它通过引入一种混合场景表示（Hybrid Scene Representation, HSR）并结合 LiDAR 初始化和颜色分解，大幅提升了训练和渲染速度，同时保持甚至超越了现有方法的重建质量。Lightning NeRF 是一种高效、可扩展的 NeRF 框架，通过 LiDAR 初始化 + 显式密度建模 + 颜色分解，实现在自动驾驶场景下的快速训练与高保真新视角合成。

第八篇：HarmonicNeRF

提出了一种基于几何引导的合成视图增强方法，结合球谐函数拟合与可见性分析，显著提升了 NeRF 在自动驾驶稀疏视角下的三维重建精度和新视角合成能力。

代码即将开源。

第九篇：Depth-Guided Robust and Fast Point Cloud Fusion NeRF for Sparse Input Views

这篇论文提出了一种基于深度引导的点云融合神经辐射场（NeRF）方法，用于在稀疏视角下高效、鲁棒地进行三维重建与新视角合成，同时大幅降低了训练时间与模型大小，是对稀疏 NeRF 场景建模的一种创新突破。

代码未开源，且使用的数据集为DTU和LLFF小型数据集。

第十篇：UC-NeRF

UC-NeRF 是一套面向自动驾驶多摄像头系统的新视角合成方法，专注于解决相机间颜色不一致与姿态误差带来的NeRF建模退化问题。它结合了分层颜色校正、虚拟视角增强与时空约束姿态优化，在 Waymo 与 NuScenes 上取得显著领先性能。

2023年文章，代码开源。

第十一篇：S-NeRF

S-NeRF 是一套专为自动驾驶街景设计的 NeRF 框架，能处理稀疏视角、动态物体及噪声深度的挑战，实现大规模街景与前景车辆的高保真新视图合成。

代码开源，2023年文章。

第十二篇：Mars(自动驾驶系统训练与仿真)

MARS 是一套以神经辐射场为核心的自动驾驶仿真平台，通过实例感知（instance-aware）+ 模块化设计（modular）+ 高保真渲染（realistic），实现了背景和动态物体分离建模，并支持编辑操作与多种训练/渲染策略，是当前 NeRF 驱动仿真中最实用的系统之一。

代码开源，2023年文章。

第十三篇：S-NeRF++（代码好像没开源）

S-NeRF++ 是一套面向自动驾驶的模拟系统，融合了神经重建与生成方法，能够在稀疏深度和姿态不准的条件下，生成高保真、大尺度、可控的新视图数据，同时支持可编辑前景插入与真实光照合成。

代码未完全开源。

第十四篇：SUDS

SUDS 提出了一种三分支哈希表示结构（Static / Dynamic / Far-field），使用 RGB 图像 + 稀疏 LiDAR + 2D optical flow + 无监督特征等多模态输入，实现了大规模城市 NeRF 动态建模，在 1700 段视频、百万帧数据上重建出了城市级别的动态场景，具备时空一致性、新视角生成、3D实例分割等能力。

总结

我找的都是提升NeRF新视角渲染能力，然后应用于自动驾驶领域的文章，上述标黄的文章是属于这个领域的。

①Crowd-Sourced NeRF：2024年，符合要求，但是代码未开源，且数据集好像是自采集的（老师提供连接里的文章）。×

②City-NeRF：符合要求，但是代码未开源，且文章太久远了，2021年的。×

③SRNeRF：非常符合要求，但是由于是2025年最新的文章，代码还未开源。×

④PC-NeRF：2024年，符合要求，代码开源，复现难度可以接受，数据集为KITTI和MaiCity。√

⑤NeO360：2023年，专门用于处理复杂的户外 360° 场景，在仅有极少视角（1～5 张图像）的条件下，实现高质量的新视角合成，这篇文章中并没有提到自动驾驶领域的使用，但是我觉得可用于自动驾驶领域仿真数据的生成。代码开源，复现难度有点大，数据集为NeRDS 360。×

⑥Lightning NeRF：2024年，符合要求，且考虑到了效率的问题（也就是加速），代码开源，复现难度有点大（因为它融合到了Nerfdtudio，之前我用Nerfstudio跑的实验效果就不好，但是还是可以尝试一下），数据集为KITTI-360 和Argoverse2 （Sensor Dataset） 。√

⑦HarmonicNeRF：2024年，符合要求，代码未开源。×

⑧UC-NeRF：2023年，符合要求，代码开源，复现难度不大（但是C++语言，不知道后面阅读修改起来是否有困难），数据集为Waymo和NuScenes。 √

⑨S-NeRF和S-NeRF++：2023年和2025年，S-NeRF++是在S-NeRF的进一步工作，符合要求，S-NeRF代码开源，S-NeRF++代码部分开源，这两篇文章要一起看，复现难度不太好判断，数据集为Waymo和NuScenes。√

⑩Mars：2023年，符合要求，MARS 当成一个用于自动驾驶环境下场景构建与操控的 NeRF 引擎系统，并不是Nerfstudio那种“论文方法大合集”那种框架，代码开源，复现难度较大（但是该方法与师姐之前复现的SUDS方法进行了比较），数据集为KITTI、VKITTI2、DAIR-V2X。√

⑪SUDS：CVPR，2023，符合要求，代码开源，复现难度一般（且有CSDN上师姐记录的实验复现过程），数据集为KITTI和VKITTI2。√