R3eVision：面向 3D 低层视觉的鲁棒渲染、恢复与增强综述

神经渲染方法，如神经辐射场 (NeRF) 和 3D 高斯溅写 (3DGS)，在实现场景全新视角合成方面取得了显著进展。然而，大多数现有模型假设干净且高分辨率 (HR) 的多视角输入，限制了其在噪声、模糊、低分辨率 (LR) 以及由天气引起的损伤等现实环境下的鲁棒性。为此，新兴的 3D 低层视觉 (3D LLV) 领域将经典的 2D 低层视觉任务（包括超分辨率 (SR)、去模糊、天气损伤去除、恢复与增强）扩展到 3D 空间域。本综述称为 R\textsuperscript{3}eVision，提供了关于 3D LLV 鲁棒渲染、恢复与增强的全面概述，通过形式化降解感知渲染问题并识别与时空一致性及病态优化相关的关键挑战。近期方法被归类，说明它们如何在恶劣条件下实现高保真 3D 重建。讨论了自动驾驶、AR/VR 和机器人等应用领域，其中可靠的从退化输入获取 3D 感知至关重要。通过审阅代表性方法、数据集和评估协议，本工作将 3D LLV 定位为面向现实环境中鲁棒 3D 内容生成和场景级重建的基本方向。