Sharp-NeRF: Grid-based Fast Deblurring Neural Radiance Fields Using Sharpness Prior

Neural Radiance Fields（NeRF）在基于神经渲染的新视角合成方面表现出了卓越的性能。然而，当输入图像在捕获时存在不完美的条件，如光照不足、焦点模糊和镜头畸变时，NeRF会遭受严重的视觉质量下降。尤其是焦点模糊在使用相机正常捕获图像时非常普遍。虽然最近有几项研究提出了渲染相当高质量的清晰图像的方法，但它们仍面临许多关键挑战。特别是，这些方法使用了基于多层感知器（MLP）的NeRF，需要巨大的计算时间。为了克服这些缺点，本文提出了一种新的技术Sharp-NeRF——一种基于网格的NeRF，可以在半小时内从输入的模糊图像中渲染出干净、清晰的图像。为此，我们使用了几个基于网格的核来精确地模拟场景的清晰度/模糊度。像素的清晰度水平被计算出来，以学习空间变化的模糊核。我们在由模糊图像组成的基准测试上进行了实验，并评估了全参考和非参考指标。定性和定量结果表明，我们的方法可以呈现出鲜艳的颜色和精细的细节，训练时间比之前的方法要快得多。我们的项目页面可在https://benhenryl.github.io/SharpNeRF/上找到。

解决问题：本文旨在解决NeRF在处理模糊图像时出现的视觉质量下降问题，提出了一个能够在半小时内训练出干净锐利图像的基于网格的NeRF。

关键思路：本文提出了Sharp-NeRF，通过使用多个基于网格的卷积核来准确建模场景的锐度/模糊度，计算像素的锐度级别以学习空间变化的模糊核。相比于之前的方法，Sharp-NeRF具有更快的训练速度和更高的图像质量。

其他亮点：本文使用模糊图像数据集进行了实验，并评估了全参考和非参考指标。结果表明，Sharp-NeRF能够渲染出锐利的新视角，具有鲜艳的颜色和细节，并且训练速度显著快于之前的方法。此外，本文提供了项目页面和代码。

相关研究：最近的相关研究包括NeRF的改进，例如使用MLP的NeRF和其他基于网格的方法。