提出了用于去模糊的神经光辐射场（NeRF）的事件驱动捆绑调整方法（EBAD-NeRF），该方法通过利用混合事件 - RGB 数据来联合优化可学习的姿势和 NeRF 参数，引入了强化相机运动模糊的强度变化度量事件损失和光度模糊损失，实验证明 EBAD-NeRF 在曝光时间内可以准确获得相机姿势，并学习到比以前的方法更清晰的 3D 表示。

Jun, 2024

提出了一种名为 Robust e-NeRF 的新方法，它可以在各种真实世界条件下直接且稳健地从移动事件相机中重建 NeRF，特别是从非均匀运动下生成的稀疏和嘈杂事件中。

Sep, 2023

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

用于捕捉快速运动的刚性和非刚性变形的事件流的准确重建的管道的 EvDNeRF，可以从静态或移动视点在任何所需的时间戳之间预测动态场景的事件流，因此可用作给定场景的基于事件的模拟器。

Oct, 2023

使用 RGB 和事件相机以及异步的事件流与校正的稀疏 RGB 帧的组合，共同优化事件相机的位置和辐射场，以建模可变形的神经辐射场。该方法在处理高变形和低采样率的情况下显示出显著优势，并在真实世界数据集上进行了实验证明其对建模动态场景中的可变形神经辐射场具有良好的应用前景。

Sep, 2023

该研究提出一种基于单色事件流的神经辐射场方法实现了 3D 连续、密集和逼真图像的新视角合成，该方法通过自主学习训练，使用事件相机进行样本采集，有效地提高了数据利用率并在动态场景和低光环境下表现出强大的鲁棒性。

Jun, 2022

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

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。

Nov, 2021

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

本文利用事件相机记录图像信息的方式，提出了一种端到端的双阶段图像复原神经网络，设计了一个跨模态注意力模块来有效地融合事件与图像特征，同时引入了一种新的对称累积事件表示和事件掩膜门控连接，提出了一个 REBlur 数据集和 EFNet 模型用于事件运动模糊的去除，实验结果表明本文提出的方法优于之前 image-based 方法和所有已有的 public events-based 方法。

Nov, 2021