신경 3차원 장면 표현과 복잡한 6 자유도 카메라 모션을 동시에 최적화 하기 위해 모션과 깊이 맵을 활용하는 방법인 Complex-Motion-NeRF (CM-NeRF)를 제안한다. 가상 시점 생성 분야에서 Neural Radiance Fields (NeRF)는 신경 렌더링 및 재구성에서 큰 각광을 받았지만 고품질의 뷰 합성을 위해 정확한 카메라 포즈와 충분한 입력이 필요하다. 본 연구는 적은 입력만 사용할 수 있을 때 모션과 깊이 맵을 효과적으로 활용해 정확한 카메라 모션과 Neural Radiance Fields를 동시에 복구한다. 또한, 제안하는 기술은 Forward-Facing 움직임을 넘어 도전적이고 복잡한 카메라 움직임에서 안정적인 포즈 추정과 효율적인 뷰 복구를 가능하게 한다. 깊이 맵의 신뢰도를 고려하며 깊이 맵을 활용하여 광선 샘플링을 가이드하고 깊이 정보를 활용해 NeRF 네트워크 훈련을 가속화한다. 실제 데이터를 사용한 실험에서 제안한 기술이 state-of-the-art 방법과 비교해 5개의 학습 세트만으로도 안정적인 카메라 포즈 추정과 효율적인 뷰 합성 결과를 입증한다.