HDR-NSFF：高动态范围神经场景流场
计算机视觉与模式识别
2026-03-10 v1
摘要
现实场景的辐射通常远远超过标准摄像机所能捕获的范围。虽然传统HDR方法通过合并交替曝光帧来实现，但这些方法受限于2D像素级对齐，常在动态场景中导致晦影痕迹和时间不一致。为此，我们提出HDR-NSFF，将方法从2D级合并转向4D时空建模。该框架通过将场景表示为空间和时间的连续函数，从而从交替曝光的单目视频中重建动态HDR辐射场，兼容基于神经辐射场和4D高斯溅写（4DGS）的动态表示。该统一的端到端管道显式建模HDR辐射、3D场景流、几何和色调映射，确保物理合理性和全局一致性。我们进一步通过（i）扩展基于语义的光流方法，引入DINO特征以实现曝光不变的运动估计，（ii）纳入生成式先验作为正则化，以弥补单目捕获中观察不足和饱和导致的信息损失。为评估HDR时空视图合成，我们首次提供了针对动态HDR场景的真实HDR-GoPro数据集。实验表明，HDR-NSFF即使在挑战性的曝光变化下，也能恢复细致的辐射细节和连贯的动态，实现新颖时空视图合成的招牌性能。项目页面：https://shin-dong-yeon.github.io/HDR-NSFF/
引用
@article{arxiv.2603.08313,
title = {HDR-NSFF: High Dynamic Range Neural Scene Flow Fields},
author = {Shin Dong-Yeon and Kim Jun-Seong and Kwon Byung-Ki and Tae-Hyun Oh},
journal= {arXiv preprint arXiv:2603.08313},
year = {2026}
}
备注
ICLR 2026. Project page: https://shin-dong-yeon.github.io/HDR-NSFF/