SMURF: 动态连续的运动去模糊散射光场
内容提要
本文介绍了多种基于神经辐射场（NeRF）的动态去模糊和视图合成方法，如DyBluRF、Deblur-NeRF和D-NeRF。这些方法通过优化模糊核、相机轨迹和时间变量，实现高质量的动态场景重建和实时渲染，显著提升了图像清晰度和合成效率。
延伸解读
动态去模糊的技术路线差异
文章列举的DyBluRF、Deblur-NeRF、D-NeRF和ExBluRF代表了不同的动态去模糊思路。DyBluRF通过互联的射线细化与运动分解阶段处理模糊单目视频；Deblur-NeRF利用可变形稀疏核建模空间可变模糊；D-NeRF将时间作为额外输入扩展至动态领域；ExBluRF则优化相机轨迹以应对极度运动模糊。这些方法在模糊建模和动态处理上各有侧重，反映了该领域从静态到动态、从简单到复杂模糊的演进。
效率与质量的权衡
在提升重建质量的同时，部分方法注重效率优化。ExBluRF强调在更短训练时间和更低GPU内存消耗下恢复更锐利的3D场景；SMERF通过分层模型划分和蒸馏训练实现大场景的实时渲染，并支持浏览器和移动设备上的六自由度导航。OD-NeRF则实现了动态三维场景的流式训练和渲染。这些进展表明，动态去模糊NeRF正从追求单一指标转向兼顾渲染速度与资源消耗。
应用场景的扩展
文章提到的方法已不局限于传统新视图合成。例如，有研究利用手机拍摄的自拍照片或视频重建可变形的NeRF模型，并在任意视点生成高保真视图；还有工作结合同时定位与建图框架，实现动态场景的跟踪与重建。这些应用方向显示，动态去模糊NeRF技术正逐步走向移动端和实际场景，为普通用户提供更便捷的三维内容创作工具。
Q&A
DyBluRF 方法是如何实现动态去模糊的？
DyBluRF 通过互联的射线细化阶段和基于运动分解的去模糊阶段，处理模糊单目视频的新视图合成。
Deblur-NeRF 的主要创新点是什么？
Deblur-NeRF 采用分析合成方法重建模糊视图，并通过 Deformable Sparse Kernel 模块建模空间可变模糊核，以恢复锐利图像。
D-NeRF 方法如何扩展神经辐射场的应用？
D-NeRF 方法允许从单个相机重建和渲染对象的新图像，利用时间作为额外输入进行学习。
ExBluRF 方法在处理极度运动模糊图像时有什么优势？
ExBluRF 通过优化尖锐的辐射场和估计相机轨迹，实现了更短的训练时间和更低的 GPU 内存消耗，同时恢复更锐利的 3D 场景。
OD-NeRF 在动态场景渲染方面有哪些进展？
OD-NeRF 实现了动态三维场景的流式训练和渲染，并在帧间隐式跟踪和采样方面取得了重要进展。
这些动态去模糊方法的应用场景有哪些？
这些方法可用于实时渲染、视频处理和三维场景重建，提升图像清晰度和合成效率。
