Deblurring Neural Radiance Fields with Event-driven Bundle Adjustment

神经辐射场（NeRF）通过高质量的多视角图像作为输入，实现了令人印象深刻的3D表示学习和新颖的视图合成结果。然而，图像中的运动模糊经常出现在低光和高速运动场景中，这显着降低了NeRF的重建质量。先前的去模糊NeRF方法在曝光时间内估计信息时遇到了困难，无法准确地建模运动模糊。相比之下，受生物启发的事件相机通过高时间分辨率测量强度变化来弥补这种信息缺乏。本文提出了一种名为事件驱动捆绑调整的NeRF去模糊方法（EBAD-NeRF），通过利用混合事件-RGB数据来共同优化可学习的姿势和NeRF参数。引入了强化相机运动模糊显式建模的强度变化度量事件损失和光度模糊损失。在合成数据和真实捕获数据上的实验结果表明，与先前的方法相比，EBAD-NeRF可以在曝光时间内获得准确的相机姿态，并学习到更清晰的3D表示。

论文旨在解决NeRF在低光和高速运动场景中出现的运动模糊问题，以提高重建质量。

论文提出了一种利用混合事件-RGB数据共同优化可学习姿态和NeRF参数的方法，引入了强制建模相机运动模糊的强度变化度量事件损失和光度模糊损失。

论文的实验结果表明，与之前的方法相比，EBAD-NeRF可以在曝光时间内获得准确的相机姿态，并学习到更锐利的3D表示。论文使用了合成数据和真实捕获数据进行实验，并提供了开源代码。

与之前的解决NeRF运动模糊问题的方法相比，EBAD-NeRF利用了事件相机的数据，并且通过共同优化可学习姿态和NeRF参数来解决问题。