GAURA: Generalizable Approach for Unified Restoration and Rendering of Arbitrary Views

神经渲染方法可以从姿态输入图像中实现接近真实照片的场景合成。然而，当图像不完美时，例如在非常低光条件下捕获的图像，最先进的方法无法重建高质量的三维场景。最近的方法尝试通过在图像形成模型中建模各种退化过程来解决这个限制，但是这限制了它们只能适用于特定的图像退化。本文提出了一种通用的神经渲染方法GAURA，可以在几种退化下执行高保真度的新视角合成。我们的方法是基于学习的，不需要任何测试时间的场景特定优化。它是在包括几种退化类型的合成数据集上进行训练的。GAURA在几个低光增强、去雾、去雨等基准测试中超越了最先进的方法，并在运动去模糊方面达到了同等水平。此外，我们的模型可以使用最少的数据高效地微调到任何新的退化。因此，我们展示了对两种未见过的退化，去雪和去除虚焦模糊的适应结果。代码和视频结果可在vinayak-vg.github.io/GAURA上获得。

论文旨在解决在低光条件下的图像重建问题，现有的神经渲染方法在这种情况下表现不佳。

提出了一种通用的神经渲染方法GAURA，可以在多种图像退化情况下实现高保真度的新视角合成。

使用合成数据集进行训练，可以在低光增强、去雾、去雨等任务上优于现有方法，且可以轻松适应新的退化情况。

近期的相关研究包括《Deep Image Prior》、《Learning to See in the Dark》等。