Deblurring 3D Gaussian Splatting

Q: 这篇论文试图解决什么问题？

A: 这篇论文试图解决的问题是：在3D场景重建和新视角合成（NVS）中，如何处理由于镜头失焦、物体运动和相机抖动等因素导致的图像模糊问题。这些模糊效应通常会影响从输入图像中准确重建3D场景，尤其是在使用基于体积渲染的神经辐射场（NeRF）方法时。论文提出了一种名为“Deblurring 3D Gaussian Splatting”的新实时去模糊框架，它通过使用一个小型的多层感知器（MLP）来操纵每个3D高斯分布的协方差矩阵，以模拟场景的模糊程度。这种方法能够在保持实时渲染的同时，从模糊图像中重建出精细且锐利的细节。

Q: 有哪些相关研究？

A: 相关研究包括：

1. NeRF: 展示了通过隐式函数表示3D场景，为新视角合成生成逼真图像的卓越性能。体积渲染技术是NeRF成功的关键组成部分，但由于其依赖于沿射线的密集采样，与现代自动微分软件生态系统相适应，因此与体积渲染方法相关的渲染和训练成本显著。

2. 3D Gaussian Splatting (3D-GS): 通过可微分的基于光栅化的光栅化渲染，结合大量彩色3D高斯分布来表示3D场景，以实现高速渲染。3D-GS利用光栅化，这在现代图形硬件上比体积渲染技术更高效，从而实现快速实时渲染。

3. Deblur-NeRF