DiSR-NeRF: Diffusion-Guided View-Consistent Super-Resolution NeRF

我们提出了DiSR-NeRF，这是一个以扩散引导为基础的视角一致的超分辨率（SR）NeRF框架。与之前的作品不同，我们通过利用现有强大的2D超分辨率模型来避免高分辨率（HR）参考图像的要求。然而，独立的SR 2D图像在不同的视角下经常是不一致的。因此，我们提出了迭代3D同步（I3DS）来通过NeRF固有的多视角一致性属性来减轻不一致问题。具体而言，我们的I3DS在扩散模型上缩放低分辨率（LR）渲染图像，并使用标准的NeRF训练更新底层的3D表示。我们还引入了Renoised Score Distillation（RSD），这是一个针对2D图像分辨率的新型分数蒸馏目标。我们的RSD将祖先采样和分数蒸馏采样（SDS）的特征结合起来，生成既锐利又具有LR一致性的图像。合成和真实数据集上的定性和定量结果表明，与现有作品相比，我们的DiSR-NeRF在NeRF超分辨率上可以取得更好的结果。项目网站提供代码和视频结果。

DiSR-NeRF试图解决的问题是视角一致的超分辨率问题，即如何通过现有的2D超分辨率模型来提高3D图像的分辨率。

DiSR-NeRF提出了迭代3D同步（I3DS）算法来解决不同视角下2D超分辨率图像不一致的问题，并引入了Renoised Score Distillation（RSD）目标函数来提高2D图像分辨率。

论文使用了迭代3D同步（I3DS）算法来解决不同视角下2D超分辨率图像不一致的问题，并引入了Renoised Score Distillation（RSD）目标函数来提高2D图像分辨率。实验结果表明，DiSR-NeRF在合成和真实数据集上都能够比现有方法更好地实现NeRF超分辨率。该论文还提供了代码和视频结果。

最近在这个领域中，还有一些相关的研究，如NeRF，Super-Resolution，Score Distillation Sampling等。