BAD-Gaussians：捆绑调整去模糊高斯泼溅

尽管神经渲染在 3D 场景重建和新视角合成中展现了令人瞩目的能力，但它严重依赖于高质量的清晰图像和准确的相机位姿。已有许多方法被提出用于在运动模糊图像下训练神经辐射场（NeRF），这些图像通常出现在低光照或长曝光等现实场景中。然而，NeRF 的隐式表示难以从严重运动模糊的图像中准确恢复复杂细节，且无法实现实时渲染。相比之下，3D Gaussian Splatting 的最新进展通过将点云显式优化为高斯球体，实现了高质量的 3D 场景重建和实时渲染。在本文中，我们引入了一种名为 BAD-Gaussians（Bundle Adjusted Deblur Gaussian Splatting）的新方法，该方法利用显式高斯表示，并处理具有不准确相机位姿的严重运动模糊图像，以实现高质量的场景重建。我们的方法对运动模糊图像的物理成像过程进行建模，并在恢复曝光期间相机运动轨迹的同时联合学习高斯参数。在我们的实验中，我们证明 BAD-Gaussians 不仅在合成和真实数据集上比以前最先进的去模糊神经渲染方法获得了更优异的渲染质量，还具备了实时渲染能力。我们的项目页面和源代码可在 https://lingzhezhao.github.io/BAD-Gaussians/ 获取。