神经辐射场NeRF作为一种通用的场景表达, 已经得到越来越多研究者的注意。给定几张不同视角下的图片, 就能重建出一个非常精细的场景。然而在实际应用中, 经常会遇到输入图像存在不同种类的退化问题, 比如在野外环境中，采集图像常常因为移动或者失焦而模糊，这会显著降低重建质量。而如何在这些非理想状态的输入下，实现精细化NeRF三维重建是一个值得研究的问题。

针对这些问题，来自香港科技大学的马力博士等人，在CVPR 2022 中，提出了第一种在模糊的输入下，也能实现精细化NeRF重建的方法，即Deblur-NeRF。该方法通过模拟模糊过程来重建模糊视图，从而使NeRF对模糊输入具有鲁棒性。模拟的核心是一个Deformable Sparse Kernel（DSK）模块，它通过在每个空间位置对规范稀疏核进行变形来对空间变化的模糊核进行建模。这个模块被编码为MLP来适应不同的模糊类型。

实验证明，该方法可以同时用于相机运动模糊和散焦模糊这两种真实场景中最常见的模糊类型。并证明了与原来的NeRF相比，重建质量显著提高。

3月9日晚7点，AI新青年讲座第197讲邀请到香港科技大学在读博士马力参与，主讲《非理想输入下的精细化NeRF三维重建》。