AR-NeRF：基于孔径渲染神经辐射场从自然图像中无监督学习深度与散焦效应

完全无监督的3D表示学习因其数据采集优势而受到关注。一种成功的方法采用视角感知方法，基于生成模型（如生成对抗网络（GAN））学习图像分布，同时基于3D感知模型（如神经辐射场（NeRF））生成多种视角图像。然而，它们需要具有多种视角的图像进行训练，因此其在视角较少或受限的数据集上的应用仍具挑战。作为一种补充方法，提出了利用散焦线索的孔径渲染GAN（AR-GAN）。然而，AR-GAN是基于CNN的模型，并将散焦与视角变化独立表示，尽管二者高度相关，这也是其性能受限的原因之一。作为AR-GAN的替代方案，我们提出了孔径渲染NeRF（AR-NeRF），它通过在统一的射线追踪框架中表示这两种因素，能够以统一方式利用视角和散焦线索。此外，为以解耦方式学习散焦感知与散焦无关的表示，我们提出了孔径随机化训练，通过独立随机化孔径大小和潜码来学习生成图像。在实验中，我们将AR-NeRF应用于包括花卉、鸟类和人脸图像在内的多种自然图像数据集，结果证明了AR-NeRF在深度与散焦效应无监督学习中的效用。