CVPRNov, 2021

Deblur-NeRF: 模糊图像的神经辐射场

PDF
TL;DR提出了 Deblur-NeRF 方法，采用分析合成方法重建模糊视图，通过 Deformable Sparse Kernel 模块对空间可变模糊核进行建模，共同优化 NeRF 和 DSK 模块，从而恢复锐利的 NeRF。
neural radiance fielddeblur-nerf3d scene reconstructionanalysis-by-synthesis approachdeformable sparse kernel
发现论文，激发创造
  • 基于网格的快速去模糊神经辐射场与清晰先验

    提出了一种名为 Sharp-NeRF 的基于网格的 NeRF 技术，可以在半小时的训练时间内从模糊的图像中生成干净和清晰的图像，通过精确建模场景的清晰度 / 模糊度，并计算像素的清晰度水平以学习空间变化的模糊核，实验证明与之前的方法相比，具有更快的训练时间，并能生成色彩鲜艳、细节丰富的清晰新视图。

    Jan, 2024

  • DP-NeRF: 利用物理场景先验信息进行去模糊的神经辐射场

    本文提出 DP-NeRF 框架来处理受影响的图片，通过两个物理先验从实际模糊处理中获得刚性模糊核以实现三维一致性，结合深度和模糊之间的关系来细化颜色构图误差，且通过实验结果得出 DP-NeRF 成功提高构建 NeRF 的感知质量，保证 3D 几何和外观一致性。

    Nov, 2022

  • DyBluRF: 动态去模糊神经辐射场用于模糊单目视频

    提出一种用于模糊单目视频的动态去模糊 NeRF 框架（DyBluRF），通过互联的射线细化阶段（IRR）和基于运动分解的去模糊阶段（MDD），首次处理和处理了模糊单目视频的新视图合成。

    Dec, 2023

  • BeNeRF：从单个模糊图像和事件流生成神经辐射场

    本研究提出了一种方法，通过从单个模糊图像和对应的事件流中恢复神经辐射场来模拟相机运动，并通过最小化合成数据和真实测量值之间的差异来联合学习隐式神经场景表示和恢复相机运动。

    Jul, 2024

  • 雾天图像的神经光辐射场模型：Dehazing-NeRF

    Dehazing-NeRF 是一种无监督方法，通过联合学习大气散射模型和清晰的 Neural Radiance Field 模型，解决拍摄模糊场景时大气散射对图像重建的影响，同时改善信息丢失造成的图像质量降低，具有更好的图像去雾和新视角合成效果。

    Apr, 2023

  • DyBluRF: 模糊单目视频中的动态神经光辐射场

    提出 DyBluRF 方法，通过在受到运动模糊的单目视频中捕捉相机轨迹和场景内物体的离散余弦变换 (DCT) 轨迹，以及采用全局跨时间渲染方法来实现生成高质量、清晰的新视角，并保持场景的时空一致性。在经过特定定制的多样化动态场景数据集上进行的实验结果表明，该方法在从运动模糊输入生成清晰的新视角并保持场景的时空一致性方面优于现有方法。

    Mar, 2024

  • Nerfies: 可变形神经辐射场

    描述了一种基于神经辐射场的方法，通过优化连续的体形变场使移动设备拍摄的照片 / 视频重建变形场景，旨在生成高度逼真的渲染图像。实验表明，该方法可使用手机拍摄的自拍照片 / 视频转换成可变形的 NeRF 模型，并在任意视点产生高保真度的视图。

    Nov, 2020

  • Enhance-NeRF: 神经辐射场的多重性能评估

    该研究通过提出 Enhance-NeRF 模型，增强神经放射场（NeRF）在虚拟现实和增强现实等领域的三维重建应用，改进了场景识别和学习能力，有望广泛应用于照明、材质和形状的室外场景重建，具备插拔式的易用性，并能够与其他 NeRF-based 模型轻松集成。

    Jun, 2023

  • D-NeRF：用于动态场景的神经辐射场

    本文提出了 D-NeRF 方法，将神经辐射场扩展到动态领域，允许从单个相机围绕场景重建和渲染对象的新图像。通过将时间作为系统的额外输入，并将学习过程分为两个主要阶段，可以同时学习两个映射，实现控制相机视图和时间变量以及物体移动的目的。

    Nov, 2020

  • 暗光下的 NeRF：基于噪声原始图像的高动态范围视角综合

    本文介绍了一种叫做 RawNeRF 的技术，它可以直接从线性原始图像中进行训练，生成高动态范围的新视角合成图像，重构低光照条件下极其嘈杂的原始图像所代表的场景。

    Nov, 2021