論文の概要: PNeRF: Probabilistic Neural Scene Representations for Uncertain 3D Visual Mapping

• arxiv url: http://arxiv.org/abs/2209.11677v1
• Date: Fri, 23 Sep 2022 16:05:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 17:00:51.477652
• Title: PNeRF: Probabilistic Neural Scene Representations for Uncertain 3D Visual Mapping
• Title（参考訳）: PNeRF:不確実な3次元視覚マッピングのための確率論的ニューラルシーン表現
• Authors: Yassine Ahmine, Arnab Dey and Andrew I. Comport
• Abstract要約: カメラや深度センサーによる画像の取得には、固有の不確実性が含まれる。 結果のシーン表現は、ぼやけや不均一な幾何学のようなアーティファクトを含む可能性が高い。 提案手法は,ネットワークの学習確率分布がトレーニングの不確実性に対して最小化されるような不確実性項でトレーニング確率を明示的に増大させることを含む。
• 参考スコア（独自算出の注目度）: 0.696125353550498
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recently neural scene representations have provided very impressive results for representing 3D scenes visually, however, their study and progress have mainly been limited to visualization of virtual models in computer graphics or scene reconstruction in computer vision without explicitly accounting for sensor and pose uncertainty. Using this novel scene representation in robotics applications, however, would require accounting for this uncertainty in the neural map. The aim of this paper is therefore to propose a novel method for training {\em probabilistic neural scene representations} with uncertain training data that could enable the inclusion of these representations in robotics applications. Acquiring images using cameras or depth sensors contains inherent uncertainty, and furthermore, the camera poses used for learning a 3D model are also imperfect. If these measurements are used for training without accounting for their uncertainty, then the resulting models are non-optimal, and the resulting scene representations are likely to contain artifacts such as blur and un-even geometry. In this work, the problem of uncertainty integration to the learning process is investigated by focusing on training with uncertain information in a probabilistic manner. The proposed method involves explicitly augmenting the training likelihood with an uncertainty term such that the learnt probability distribution of the network is minimized with respect to the training uncertainty. It will be shown that this leads to more accurate image rendering quality, in addition to more precise and consistent geometry. Validation has been carried out on both synthetic and real datasets showing that the proposed approach outperforms state-of-the-art methods. The results show notably that the proposed method is capable of rendering novel high-quality views even when the training data is limited.
• Abstract（参考訳）: 近年のニューラルシーン表現は、3dシーンを視覚的に表現するための非常に印象的な結果を提供しているが、その研究と進歩は、主にコンピュータグラフィックスにおける仮想モデルの可視化や、センサやポーズの不確かさを明示的に説明せずにコンピュータビジョンでのシーン再構成に限られている。 しかし、ロボット工学のアプリケーションでこの斬新なシーン表現を使うことは、神経地図のこの不確実性を説明する必要がある。 そこで本稿は,ロボット応用におけるこれらの表現の包含を可能にする不確定な学習データを用いて,「確率的ニューラルシーン表現」を訓練する新しい手法を提案する。 カメラや深度センサーを用いた画像の取得には固有の不確実性があり、さらに3Dモデルを学ぶために使用されるカメラのポーズも不完全である。 これらの測定値が不確実性を考慮せずにトレーニングに使用される場合、結果のモデルは最適ではなく、結果のシーン表現には、ぼやけや不均一な幾何学などのアーティファクトが含まれる可能性が高い。 本研究では,不確実性情報を用いた学習を確率論的に行うことにより,学習プロセスへの不確実性統合の問題を検討する。 提案手法は,ネットワークの学習確率分布を学習不確実性に対して最小化するように,不確実性項でトレーニング確率を明示的に強化することを含む。 これは、より正確で一貫した幾何学に加えて、より正確な画像レンダリング品質をもたらすことが示される。 合成データと実データの両方で検証を行い、提案手法が最先端の手法より優れていることを示す。 提案手法は,訓練データに制限がある場合でも,新しい高品質なビューを描画できることを示す。

関連論文リスト

• Uncertainty in latent representations of variational autoencoders optimized for visual tasks [4.919240908498475]
  可変オートエンコーダ(VAE)の潜時表現における不確実性表現について検討する。 本稿では、EA-VAEと呼ばれる新しい手法が、これらの問題をいかに解決するかを示す。 EA-VAEは、コンピュータ神経科学における知覚のモデルとコンピュータビジョンにおける推論ツールの両方として有用である。
  論文  参考訳（メタデータ） (2024-04-23T16:26:29Z)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• TexPose: Neural Texture Learning for Self-Supervised 6D Object Pose Estimation [55.94900327396771]
  合成データから6次元オブジェクトポーズ推定のためのニューラルネットワークによるテクスチャ学習を提案する。 実画像からオブジェクトの現実的なテクスチャを予測することを学ぶ。 画素完全合成データからポーズ推定を学習する。
  論文  参考訳（メタデータ） (2022-12-25T13:36:32Z)
• Uncertainty Guided Policy for Active Robotic 3D Reconstruction using Neural Radiance Fields [82.21033337949757]
  本稿では,物体の暗黙のニューラル表現の各光線に沿ったカラーサンプルの重量分布のエントロピーを計算した線量不確実性推定器を提案する。 提案した推定器を用いた新しい視点から, 基礎となる3次元形状の不確かさを推測することが可能であることを示す。 ニューラルラディアンス場に基づく表現における線量不確実性によって導かれる次ベクター選択ポリシーを提案する。
  論文  参考訳（メタデータ） (2022-09-17T21:28:57Z)
• Unsupervised Learning of Efficient Geometry-Aware Neural Articulated Representations [89.1388369229542]
  本稿では,3次元幾何認識による音声オブジェクトの表現学習のための教師なし手法を提案する。 私たちは、GANトレーニングで表現を学ぶことで、このニーズを回避します。 実験は,本手法の有効性を実証し,GANに基づくトレーニングにより,制御可能な3次元表現を,監督なしで学習できることを示す。
  論文  参考訳（メタデータ） (2022-04-19T12:10:18Z)
• Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
  本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。 提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
  論文  参考訳（メタデータ） (2021-08-30T19:45:07Z)
• Intrinsic Autoencoders for Joint Neural Rendering and Intrinsic Image Decomposition [67.9464567157846]
  合成3Dモデルからリアルな画像を生成するためのオートエンコーダを提案し,同時に実像を本質的な形状と外観特性に分解する。 実験により, レンダリングと分解の併用処理が有益であることが確認され, 画像から画像への翻訳の質的, 定量的なベースラインよりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2020-06-29T12:53:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。