Deblur-NeRF：从模糊图像重建神经辐射场
计算机视觉与模式识别
2022-03-29 v2 图形学
摘要
神经辐射场（NeRF）近期因其在三维场景重建与新视角合成方面卓越的合成质量而受到广泛关注。然而，在野外采集场景时经常发生的由离焦或运动引起的图像模糊会显著降低其重建质量。为解决该问题，我们提出 Deblur-NeRF，这是首个能够从模糊输入中恢复清晰 NeRF 的方法。我们采用分析-合成方法，通过模拟模糊过程来重建模糊视图，从而使 NeRF 对模糊输入具有鲁棒性。该模拟的核心是一个新颖的可变形稀疏核（DSK）模块，它通过在每个空间位置变形一个规范稀疏核来建模空间变化的模糊核。受物理模糊过程启发，各核点的光线原点被联合优化。该模块被参数化为一个 MLP，具备泛化到各类模糊类型的能力。联合优化 NeRF 与 DSK 模块使我们能够恢复清晰的 NeRF。我们展示了我们的方法可同时用于相机运动模糊与离焦模糊：真实场景中最常见的两类模糊。在合成与真实世界数据上的评估结果表明，我们的方法优于若干基线方法。合成与真实数据集以及源代码已公开于 https://limacv.github.io/deblurnerf/
引用
@article{arxiv.2111.14292,
title = {Deblur-NeRF: Neural Radiance Fields from Blurry Images},
author = {Li Ma and Xiaoyu Li and Jing Liao and Qi Zhang and Xuan Wang and Jue Wang and Pedro V. Sander},
journal= {arXiv preprint arXiv:2111.14292},
year = {2022}
}
备注
accepted in CVPR2022