← 最新论文
💻 computer science

DeblurSplat: SfM-free 3D Gaussian Splatting with Event Camera for Robust Deblurring

DeblurSplat 是首个无需运动恢复结构(Structure-from-Motion)的 3D 高斯泼溅(3D Gaussian Splatting)方法,它利用事件相机和预训练的立体模块,在不依赖中间相机位姿估计的情况下,实现了鲁棒、高保真的去模糊以及高效的新视角合成。

原作者: Pengteng Li, Yunfan Lu, Pinhao Song, Weiyu Guo, Huizai Yao, F. Richard Yu, Hui Xiong

发布于 2026-06-01
📖 1 分钟阅读☕ 轻松阅读

原作者: Pengteng Li, Yunfan Lu, Pinhao Song, Weiyu Guo, Huizai Yao, F. Richard Yu, Hui Xiong

原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

大问题:“运动模糊”带来的混乱

想象一下,你正试图通过一叠照片来构建一个房间的 3D 模型。通常情况下,这很容易。但如果这些照片是在你跑过房间时拍下的呢?照片就会变得模糊、涂抹严重,并充满幽灵般的拖影。

如果你尝试使用标准工具从这些模糊的照片中构建 3D 模型,计算机就会感到困惑。它无法分辨家具的边缘在哪里,因此构建出的模型会是摇晃、扭曲或不完整的。这就像是在尝试解决一个拼图游戏,而其中一半的拼图块都熔化在一起了。

旧方法:“模糊地图”陷阱

以前,研究人员尝试通过两个步骤来修复这个问题:

  1. 猜测相机路径: 他们试图弄清楚每一张模糊照片拍摄时的精确相机位置。
  2. 构建模型: 一旦猜出了路径,他们就开始构建 3D 模型。

缺陷: 由于照片是模糊的,计算机对相机路径的猜测也是错误的。这就像是在黑暗中根据一张手绘地图进行导航。如果你的初始地图是错的,那么你的最终目的地也会是错的。这种“累积误差”导致构建出的 3D 模型效果非常糟糕。

新方案:DeblurSplat

该论文的作者创建了一种名为 DeblurSplat 的新方法。他们通过两种聪明的手段解决了这个问题,就像一位拥有两件特殊工具的侦探。

工具 1:“智能建筑师”(不再需要猜测路径)

与其试图从模糊的照片中猜测相机路径(这很难),他们使用了名为 DUSt3R 的预训练 AI。

  • 类比: 想象你有一位见过成千上万个房间的建筑大师。即使你给他们看一张模糊、涂抹严重的房间照片,他们也能通过观察大致形状说:“啊,我知道这个布局。这是一个厨房,桌子在这里,冰箱在那里。”
  • 工作原理: 这个 AI 跳过了计算精确相机路径的步骤。它观察模糊图像,并直接生成一个“草稿版”的 3D 点云(代表房间的点阵云)。
  • 益处: 因为它不依赖于那些摇晃不定的“相机路径”猜测,所以它避免了破坏以往方法的初始误差。它提供了一个更好的起点。

工具 2:“超高速相机”(事件流)

第二个工具是事件相机(Event Camera)

  • 类比: 普通相机就像一台每 1/30 秒拍摄一张照片的电影机。如果物体移动很快,就会产生模糊。而事件相机就像一群微小、高度敏感的萤火虫。它们不拍照;只有当它们看到变化(比如像素变亮或变暗)时才会“闪烁”。它们极其快速,即使在黑暗或物体高速移动时也不会产生模糊。
  • 工作原理: 系统利用这些“闪烁”(事件流)来确定场景在变得模糊之前的真实样貌。它扮演着高速向导的角色,告诉系统:“嘿,那个模糊的条纹实际上是一个正在这样移动的清晰椅腿。”

秘诀:如何将它们结合起来

论文介绍了两种特定的策略,使这些工具能够协同工作:

  1. 置信度平衡采样(“金发姑娘”过滤器):
    “智能建筑师”(DUSt3R)提供了一个粗略的 3D 模型,但其中有些部分非常确定(高置信度),而有些部分则不确定(低置信度)。

    • 旧方法: 只使用 AI 100% 确定的部分。(问题:你会丢失模糊区域的重要细节)。
    • 旧方法 2: 使用所有部分。(问题:你会引入过多的垃圾信息/噪声)。
    • DeblurSplat 方法: 他们使用一种“置信度平衡采样”策略。这就像一个筛子,既保留了确定的部分,也小心地保留了一些不确定的部分,从而确保模型不会丢失形状。它确保了 3D 模型既准确又完整。
  2. 渐进式对齐(“步步为营”的打磨):
    一旦有了粗略模型,他们就使用事件相机数据来逐步精炼它。

    • 他们假定那张模糊的照片实际上是由许多张超快速、清晰的照片堆叠而成的。
    • 他们利用事件相机的数据在数学上“去模糊”图像,恢复清晰的细节。
    • 然后,他们利用这些清晰的细节来微调 3D 模型的位置,修复任何残留的摇晃。

结果

论文声称,DeblurSplat 是第一个无需传统“相机路径猜测”步骤即可实现此功能的方法。

  • 质量更好: 即使输入照片非常模糊,它也能创建出比以往方法更清晰、更准确的 3D 模型。
  • 速度更快: 由于跳过了困难的“相机路径计算”步骤,它的设置速度显著提高。
  • 鲁棒性强: 它在其他方法完全失效的棘手情况(如低光照、快速移动)下依然表现良好。

简而言之:DeblurSplat 就像是聘请了一位能读懂模糊草图的建筑大师,并配备了一台能看透模糊真相的高速相机,从而在迷雾中构建出一个完美的 3D 模型。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →