CoMoGaussian：基于运动模糊图像的连续运动感知高斯泼溅

3D Gaussian Splatting (3DGS) 因其高质量的新视角渲染而备受关注，推动了针对现实世界挑战的研究。一个关键问题是曝光期间移动引起的相机运动模糊，这阻碍了精确的 3D 场景重建。在本研究中，我们提出了 CoMoGaussian，一种连续运动感知高斯泼溅方法，能够从运动模糊图像中重建精确的 3D 场景，同时保持实时渲染速度。考虑到现实世界相机运动中固有的复杂运动模式，我们使用神经常微分方程（ODE）预测连续的相机轨迹。为了确保精确建模，我们采用刚体变换，保持物体的形状和大小，但依赖于采样帧的离散积分。为了更好地逼近运动模糊的连续特性，我们引入了连续运动细化（CMR）变换，通过引入额外的可学习参数来细化刚体变换。通过重新审视基础相机理论并利用先进的神经 ODE 技术，我们实现了对连续相机轨迹的精确建模，从而提高了重建精度。大量实验表明，在包含从适度模糊到极端模糊的广泛运动模糊场景的基准数据集上，该方法在定量和定性方面均达到了 SOTA 性能。