GAURA：面向任意视角的统一恢复与渲染的通用方法
计算机视觉与模式识别
2024-07-12 v1
摘要
神经渲染方法可实现从定位输入图像生成接近照片级图像的合成效果。然而当图像不完美时（例如在极低光照条件下捕获），最先进的方法难以重建高质量的3D场景。近期研究尝试通过建模图像形成过程中的各种退化来解决此限制，但这使方法局限于特定的图像退化。本文提出一种通用且可泛化的神经渲染方法，可在多种退化条件下实现高保真的新视角合成。我们的方法GAURA为学习基方法，无需测试时的场景特定优化。它在包含多种退化类型的合成数据集上进行训练。GAURA在低光增强、去雾、去雨基准测试中超越了最先进的方法，在运动去模糊方面表现与之相当。进一步地，我们的模型可通过最小数据高效微调到任何新的未见退化。我们在两个未见退化（去雪和除景深模糊）上展示了适应性结果。代码和视频结果均可在 vinayak-vg.github.io/GAURA 查阅。
引用
@article{arxiv.2407.08221,
title = {GAURA: Generalizable Approach for Unified Restoration and Rendering of Arbitrary Views},
author = {Vinayak Gupta and Rongali Simhachala Venkata Girish and Mukund Varma T and Ayush Tewari and Kaushik Mitra},
journal= {arXiv preprint arXiv:2407.08221},
year = {2024}
}
备注
European Conference on Computer Vision(ECCV) 2024