Die Studie präsentiert den Bayesian Neural Radiance Field (NeRF), der die Unsicherheit in geometrischen Volumenstrukturen explizit quantifiziert, ohne dass zusätzliche Netzwerke erforderlich sind. Dies macht ihn für herausfordernde Beobachtungen und unkontrollierte Bilder geeignet.
NeRF unterscheidet sich von traditionellen geometrischen Methoden, indem es eine angereicherte Szenenrepräsentation bietet und Farbe und Dichte im 3D-Raum aus verschiedenen Blickwinkeln rendert. Allerdings stößt NeRF bei der Lockerung von Unsicherheiten durch die Verwendung von geometrischen Strukturinformationen an Grenzen, was zu Ungenauigkeiten in der Interpretation bei unzureichenden Beobachtungen in der realen Welt führt.
Um diese Herausforderung grundlegend anzugehen, schlagen die Autoren eine Reihe von Erweiterungen der Formulierung von NeRF vor. Durch die Einführung verallgemeinerter Approximationen und die Definition von dichtebezogener Unsicherheit erweitert sich die Methode nahtlos, um nicht nur für RGB, sondern auch für Tiefe Unsicherheit zu verwalten, ohne dass zusätzliche Netzwerke oder empirische Annahmen erforderlich sind.
Die Experimente zeigen, dass die Methode die Leistung bei RGB- und Tiefenbildern in umfassenden Datensätzen deutlich verbessert und die Zuverlässigkeit des Bayesian-NeRF-Ansatzes zur Quantifizierung der Unsicherheit auf der Grundlage der geometrischen Struktur demonstriert.
إلى لغة أخرى
من محتوى المصدر
arxiv.org
الرؤى الأساسية المستخلصة من
by Sibeak Lee,K... في arxiv.org 04-11-2024
https://arxiv.org/pdf/2404.06727.pdfاستفسارات أعمق