CVPR 2023: BAD-NeRF: Bundle Adjusted Deblur Neural Radiance Fields

我们使用以下6个分类标准对本文的研究选题进行分析：

1. 问题域

• 神经渲染： 研究集中在从不同视点生成场景的新图像的任务上。目标是逼真的渲染，通常将场景表示为神经网络中的隐式函数。基于 NeRF 的方法主要解决此域。
• 图像去模糊： 研究专门针对去除图像中的模糊。模糊可能是由相机抖动、物体运动或其他因素引起的。这些技术旨在恢复清晰度和细节。
• 3D 重建： 研究集中于从一系列图像中构建精确的 3D 模型。这通常涉及像结构从运动 (SfM) 或束调整这样的技术。

2. 方法

• 神经方法： 研究的核心解决方案基于深度神经网络。这些网络从数据中学习复杂模式来完成渲染、去模糊和 3D 几何估计等任务。
• 传统计算机视觉： 研究采用经典图像处理、几何算法和优化技术。这包括 SfM、束调整和基于滤波的去模糊等方法。

3. 图像质量关注

• 高质量输入： 研究的基本假设是提供的图像清晰锐利。许多关于神经渲染的早期作品都属于这一类。
• 降质输入： 研究明确旨在处理已被降质的图像。该标准解决的最常见降质是运动模糊，