BAD-Gaussians: Bundle Adjusted Deblur Gaussian Splatting

神经渲染在3D场景重建和新视角合成方面展现出了令人印象深刻的能力，但它严重依赖于高质量的清晰图像和准确的相机姿态。已经提出了许多方法，用于训练神经辐射场（NeRF）以处理运动模糊图像，这种情况在低光或长时间曝光等实际场景中经常遇到。然而，NeRF的隐式表示在从严重运动模糊的图像中精确恢复复杂细节方面存在困难，并且无法实现实时渲染。相比之下，最近在3D高斯喷洒方面的进展通过显式优化点云作为高斯球体实现了高质量的3D场景重建和实时渲染。 在本文中，我们介绍了一种新颖的方法，名为BAD-Gaussians（Bundle Adjusted Deblur Gaussian Splatting），它利用显式高斯表示，并处理具有不准确相机姿态的严重运动模糊图像，实现高质量的场景重建。我们的方法模拟了运动模糊图像的物理成像过程，并在曝光时间内恢复相机运动轨迹的同时联合学习高斯参数。 在我们的实验中，我们证明了BAD-Gaussians不仅在合成和真实数据集上相比先前最先进的去模糊神经渲染方法实现了更高的渲染质量，而且还实现了实时渲染功能。 我们的项目页面和源代码可在https://lingzhezhao.github.io/BAD-Gaussians/上获取。

本文旨在解决Neural Radiance Fields (NeRF)在处理严重运动模糊图像和不准确相机姿态时的局限性，以实现高质量的场景重建和实时渲染。

本文提出一种名为BAD-Gaussians的新方法，它利用显式高斯表示，处理严重运动模糊图像和不准确相机姿态，实现高质量场景重建。该方法模拟了运动模糊图像的物理成像过程，并在曝光时间内恢复相机运动轨迹的同时，联合学习高斯参数。

BAD-Gaussians不仅在合成和真实数据集上实现了比以前最先进的去模糊神经渲染方法更优秀的渲染质量，而且还实现了实时渲染能力。该论文提供了项目页面和源代码。

最近的相关研究包括Neural Radiance Fields (NeRF)，以及3D Gaussian Splatting的相关工作。