WS-NeRF: A Mamba-Driven World-State-Aware Adaptive Deblurring Neural Radiance Field

📄 arXiv: 2609.21391v1 📥 PDF

作者: Hang Jiang, Jinghao Wang, Yiming Zhang, Xinhong Wang, Luwei Ran, Yinfeng Yu

分类: eess.IV, cs.AI, cs.CV

发布日期: 2026-09-18

备注: Main paper (6 pages). Accepted for publication by IEEE International Conference on Systems, Man, and Cybernetics 2026 (IEEE SMC 2026)

💡 一句话要点

提出WS-NeRF以解决模糊图像对3D重建的影响

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 神经辐射场 去模糊 3D重建 图像处理 计算机视觉 动态演化 混合专家机制

📋 核心要点

  1. 现有的NeRF方法通常依赖于清晰的输入图像，而模糊图像会显著降低重建质量，导致3D不一致性。
  2. 本文提出WS-NeRF，通过Mamba驱动的世界状态感知机制，动态调整去模糊先验的置信度，以应对图像模糊问题。
  3. 实验结果显示，WS-NeRF在PSNR、SSIM和LPIPS等指标上均有显著提升，且迭代恢复过程更加稳定。

📝 摘要（中文）

神经辐射场（NeRF）因其在高质量3D重建和新视角合成方面的强大能力而受到广泛关注。然而，现有方法通常依赖于高质量的清晰输入，而现实世界中的图像采集容易受到模糊退化的影响，这严重影响了NeRF的重建质量。本文提出了一种新颖的Mamba驱动的世界状态感知自适应去模糊神经辐射场（WS-NeRF），以解决图像退化和3D不一致性。我们将辐射场的交替优化形式化为具有时间记忆的动态演化过程，并联合利用全面的多维世界状态和专家混合机制，动态调整去模糊先验的置信度。实验结果表明，WS-NeRF显著提高了模糊辐射场的重建质量，在PSNR、SSIM和LPIPS等指标上表现更佳，同时展现出更稳定的迭代恢复行为。

🔬 方法详解

问题定义：本文旨在解决模糊图像对神经辐射场（NeRF）重建质量的影响。现有方法在处理模糊输入时表现不佳，导致3D重建的不一致性和质量下降。

核心思路：WS-NeRF通过引入Mamba驱动的世界状态感知机制，结合动态调整的去模糊先验，旨在提高模糊图像的重建质量。该方法通过时间记忆的动态演化过程来优化辐射场。

技术框架：WS-NeRF的整体架构包括多个模块：首先，利用多维世界状态信息来捕捉图像的动态特征；其次，采用混合专家机制来调整去模糊先验的置信度；最后，通过交替优化实现辐射场的动态演化。

关键创新：WS-NeRF的主要创新在于引入了世界状态感知和混合专家机制，使得去模糊过程能够根据图像内容动态调整，从而显著提升重建质量。与传统方法相比，WS-NeRF在处理模糊输入时表现出更好的适应性和稳定性。

关键设计：在技术细节上，WS-NeRF采用了特定的损失函数来平衡去模糊和重建质量，同时在网络结构中引入了时间记忆机制，以增强对历史信息的利用。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，WS-NeRF在PSNR、SSIM和LPIPS等指标上均显著优于现有基线，提升幅度达到XX%（具体数据待补充）。此外，WS-NeRF展现出更稳定的迭代恢复行为，表明其在处理模糊图像时的有效性。

🎯 应用场景

WS-NeRF的研究成果在多个领域具有潜在应用价值，包括虚拟现实、增强现实和电影制作等。通过提高模糊图像的3D重建质量，该技术能够改善用户体验，推动相关行业的发展。此外，WS-NeRF的动态调整机制也可为其他计算机视觉任务提供新的思路。

📄 摘要（原文）

Neural Radiance Fields (NeRF) have attracted extensive attention in recent years due to their strong capability for high-quality 3D reconstruction and novel view synthesis from multi-view images. Existing methods usually rely on high-quality sharp inputs, while real-world image acquisition is highly susceptible to blur degradation, which severely affects the reconstruction quality of NeRF. In this paper, we propose a novel Mamba-driven world-state-aware adaptive deblurring neural radiance field, termed WS-NeRF, to address image degradation and 3D inconsistency. We formulate the alternating optimization of radiance fields as a dynamic evolution process with temporal memory, and jointly exploit comprehensive multi-dimensional world states and a mixture-of-experts mechanism to dynamically adjust the confidence of deblurring priors. Experimental results show that WS-NeRF significantly improves blurry radiance field reconstruction quality, achieving better performance on PSNR, SSIM, and LPIPS, while exhibiting more stable iterative recovery behavior.