用于视图合成的神经曝光场学习

最近的神经场景表示技术在3D重建和视图合成方面取得了空前的质量。尽管针对常用基准数据集（尤其是经过挑选的干净数据）取得了高质量结果，但对于包含单张图像中强烈曝光变化的数据（例如室内外场景或带窗户的房间）往往会出现输出质量下降。本文介绍了神经曝光场（NExF），这是一种从具有挑战性真实捕获的数据中实现高质量且3D一致外观重建的新方法。在核心思想中，我们提出学习一个神经场，为每个3D点预测最优曝光值，从而实现对曝光及神经场景表示的联合优化。虽然捕获设备（如相机）会为每个图像/像素选择最优曝光，但我们将这一概念推广到3D空间中进行优化。这使得在高动态范围场景下实现准确的视图合成，无需后期处理步骤或多曝光捕获。我们的贡献包括：一种用于曝光预测的新型神经表示、一种通过新型神经条件化机制实现场景表示与曝光场联合优化的系统，以及在多个具有挑战性数据集上的优异性能。我们发现该方法的训练速度快于先前方法，能在多个基准数据集上实现最先进的结果，其中在最佳基线模型上的表现提升超过55%。