DP-NeRF：具有物理场景先验的去模糊神经辐射场
计算机视觉与模式识别
2023-03-10 v4
摘要
神经辐射场（NeRF）通过多视图图像与配对的标定相机参数进行新视角合成，展现出卓越的三维（3D）重建质量。然而，先前的基于 NeRF 的系统是在严格受控设置下演示的，很少关注较不理想的场景，包括存在曝光、光照变化和模糊等噪声。特别是，尽管模糊在真实情况中频繁发生，能处理模糊图像的 NeRF 很少受到关注。少数研究模糊图像 NeRF 的工作未考虑 3D 空间中的几何与外观一致性，而这是 3D 重建中最重要的因素之一。这导致不一致性以及所构建场景感知质量的退化。因此，本文提出 DP-NeRF，一种面向模糊图像的新型干净 NeRF 框架，其受两个物理先验约束。这些先验源自相机采集图像过程中的实际模糊过程。DP-NeRF 提出刚性模糊核以利用物理先验施加 3D 一致性，并提出自适应权重提议以考虑深度与模糊之间的关系来细化颜色合成误差。我们给出了针对合成与真实场景、含两类模糊（相机运动模糊与散焦模糊）的广泛实验结果。结果表明，DP-NeRF 成功提升了所构建 NeRF 的感知质量，确保了 3D 几何与外观一致性。我们通过全面的消融分析进一步证明了模型的有效性。
引用
@article{arxiv.2211.12046,
title = {DP-NeRF: Deblurred Neural Radiance Field with Physical Scene Priors},
author = {Dogyoon Lee and Minhyeok Lee and Chajin Shin and Sangyoun Lee},
journal= {arXiv preprint arXiv:2211.12046},
year = {2023}
}
备注
Accepted at CVPR 2023, Code: https://github.com/dogyoonlee/DP-NeRF, Project page: https://dogyoonlee.github.io/dpnerf/