从 NeRFLiX 到 NeRFLiX++：一种通用的与 NeRF 无关的恢复范式

神经辐射场（NeRF）在新视角合成中已显示出巨大成功。然而，由于潜在的不完美标定信息和场景表示不准确性，从真实世界场景中恢复高质量细节对现有基于 NeRF 的方法仍具挑战性。即使使用高质量训练帧，NeRF 模型合成的 novel views 仍遭受显著的渲染伪影，如噪声和模糊。为此，我们提出 NeRFLiX，一种通用的与 NeRF 无关的恢复器范式，其学习一个退化驱动的视角间混合器。具体而言，我们设计了一种 NeRF 风格的退化建模方法并构建大规模训练数据，使深度神经网络有效去除 NeRF 原生渲染伪影成为可能。此外，除退化去除外，我们提出一种视角间聚合框架，融合高度相关的优质训练图像，将前沿 NeRF 模型的性能推向全新水平并生成高度照片级真实的合成视图。基于此范式，我们进一步提出 NeRFLiX++，具有更强的两阶段 NeRF 退化模拟器和更快的视角间混合器，以显著提升的计算效率实现优越性能。值得注意的是，NeRFLiX++ 能够从含噪低分辨率 NeRF 渲染视图中恢复照片级真实的超高分辨率输出。大量实验证明了 NeRFLiX++ 在各种新视角合成基准上的优异恢复能力。