Sharp-NeRF：基于清晰度先验的网格快速去模糊神经辐射场
计算机视觉与模式识别
2024-01-02 v1 图形学
图像与视频处理
摘要
神经辐射场（NeRF）在基于神经渲染的新视角合成中表现出色。然而，当输入图像在不完美条件下（如光照不足、散焦模糊和镜头像差）拍摄时，NeRF会出现严重的视觉质量下降。尤其是，使用相机正常拍摄的图像中散焦模糊非常常见。尽管最近有少数研究提出渲染高质量清晰图像，但它们仍面临许多关键挑战。特别是，这些方法采用了基于多层感知器（MLP）的NeRF，需要大量的计算时间。为了克服这些缺点，本文提出了一种新技术Sharp-NeRF——一种基于网格的NeRF，能在半小时训练内从输入模糊图像中渲染出干净清晰的图像。为此，我们使用了多个基于网格的核来精确建模场景的清晰度/模糊度。计算像素的清晰度水平以学习空间变化的模糊核。我们在包含模糊图像的基准上进行了实验，并评估了全参考和无参考指标。定性和定量结果表明，我们的方法渲染出具有生动色彩和精细细节的清晰新视角，并且训练时间比先前工作快得多。我们的项目页面位于https://benhenryl.github.io/SharpNeRF/。
引用
@article{arxiv.2401.00825,
title = {Sharp-NeRF: Grid-based Fast Deblurring Neural Radiance Fields Using Sharpness Prior},
author = {Byeonghyeon Lee and Howoong Lee and Usman Ali and Eunbyung Park},
journal= {arXiv preprint arXiv:2401.00825},
year = {2024}
}
备注
Accepted to WACV 2024