通过无监督分解与增强点亮 NeRF
计算机视觉与模式识别
2023-07-21 v1 图形学
摘要
神经辐射场(NeRF)是一种在给定场景的一组图像及相应相机位姿时合成新视角图像的有前景的方法。然而,由于低光场景拍摄的图像像素强度低、噪声重且存在颜色失真,很难用于训练 NeRF 模型以产生高质量结果。将现有的低光图像增强方法与 NeRF 方法结合也因逐张 2D 增强过程引起的视角不一致而表现不佳。在本文中,我们提出一种称为低光 NeRF(LLNeRF)的新方法,以无监督方式直接从 sRGB 低光图像增强场景表示并合成正常光新视角。我们方法的核心是对辐射场学习的分解,这使我们能够在 NeRF 优化过程中联合增强光照、降低噪声并校正失真颜色。给定来自低光场景的一组相机完成的低动态范围(8 位/通道)图像,我们的方法能够生成具有适当光照及生动颜色与细节的新视角图像。实验表明我们的方法优于现有的低光增强方法和 NeRF 方法。
引用
@article{arxiv.2307.10664,
title = {Lighting up NeRF via Unsupervised Decomposition and Enhancement},
author = {Haoyuan Wang and Xiaogang Xu and Ke Xu and Rynson WH. Lau},
journal= {arXiv preprint arXiv:2307.10664},
year = {2023}
}
备注
ICCV 2023. Project website: https://whyy.site/paper/llnerf