BeNeRF：从单个模糊图像和事件流生成神经辐射场
内容提要
本文介绍了多种基于神经辐射场（NeRF）的方法，以解决运动模糊对图像质量的影响。研究提出了去模糊技术，如Deblur-NeRF和EBAD-NeRF，利用事件相机数据优化相机姿势和NeRF参数，从而提升图像清晰度和时空一致性。这些方法在动态场景和低光环境下表现优异，推动了3D图像合成的发展。
延伸解读
事件相机与NeRF结合的优势
文章指出，事件相机能够捕捉高时间分辨率的亮度变化，与NeRF结合可有效解决运动模糊问题。例如，EBAD-NeRF利用混合事件-RGB数据联合优化相机姿势和NeRF参数，在曝光时间内准确获得相机姿势，并学习到更清晰的3D表示。基于单色事件流的方法在动态场景和低光环境下表现出强大的鲁棒性，提高了数据利用率。
去模糊NeRF方法的性能提升
BeNeRF通过显式建模模糊形成过程和使用可学习的响应函数，在合成和真实数据上分别比仅使用帧或帧与事件结合的方法提高了6.13dB和2.48dB。Deblur-NeRF采用分析合成方法重建模糊视图，通过可变形稀疏核模块建模空间可变模糊核，共同优化NeRF和DSK模块，恢复锐利的NeRF。这些方法显著提升了图像清晰度和时空一致性。
多样化方法应对不同场景
针对不同挑战，研究者提出了多种方法：DyBluRF通过捕捉相机轨迹和物体DCT轨迹，在运动模糊单目视频中生成清晰新视角并保持时空一致性；Robust e-NeRF能从移动事件相机的稀疏嘈杂事件中稳健重建NeRF；SpikeNeRF利用尖峰相机数据得出体积场景表示，在真实照明条件下展现优势；NR-NeRF使用便携相机拍摄的动态场景RGB图像创建高质量时空几何和外观表示。
Q&A
什么是Deblur-NeRF方法？
Deblur-NeRF方法通过分析合成重建模糊视图，优化NeRF和空间可变模糊核，从而恢复图像清晰度。
EBAD-NeRF如何提升3D表示的清晰度？
EBAD-NeRF利用混合事件-RGB数据联合优化相机姿势和NeRF参数，增强了相机运动模糊的强度变化度量。
DyBluRF方法的主要优势是什么？
DyBluRF方法能够在运动模糊的单目视频中生成高质量的新视角，并保持时空一致性。
如何利用SpikeNeRF处理尖峰相机数据？
SpikeNeRF从尖峰相机数据中得出基于NeRF的体积场景表示，能够在真实世界中去除错误测量。
NR-NeRF方法的创新之处是什么？
NR-NeRF方法能够使用便携式相机拍摄的动态场景创建高质量的时空几何和外观表示。
神经辐射场在人物运动渲染中的应用是什么？
神经辐射场结合新视角合成和隐式统计几何人类表示，用于人物运动的渲染和时空重建。
