論文の概要: Estimating 3D Uncertainty Field: Quantifying Uncertainty for Neural Radiance Fields

• arxiv url: http://arxiv.org/abs/2311.01815v2
• Date: Sun, 26 Nov 2023 03:44:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 13:17:19.330468
• Title: Estimating 3D Uncertainty Field: Quantifying Uncertainty for Neural Radiance Fields
• Title（参考訳）: 3次元不確かさ場の推定:神経放射場に対する不確かさの定量化
• Authors: Jianxiong Shen and Ruijie Ren and Adria Ruiz and Francesc Moreno-Noguer
• Abstract要約: 学習された不完全なシーン形状に基づいて3次元不確かさ場を推定する新しい手法を提案する。 各カメラ線に沿って蓄積された透過率を考慮すると、不確実性フィールドは2Dピクセル単位の不確かさを推測する。 我々の実験は、3D未確認領域とそれに関連する2Dレンダリングピクセルの両方において、高い不確実性を明確に説明できる唯一の方法であることを示した。
• 参考スコア（独自算出の注目度）: 25.300284510832974
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current methods based on Neural Radiance Fields (NeRF) significantly lack the capacity to quantify uncertainty in their predictions, particularly on the unseen space including the occluded and outside scene content. This limitation hinders their extensive applications in robotics, where the reliability of model predictions has to be considered for tasks such as robotic exploration and planning in unknown environments. To address this, we propose a novel approach to estimate a 3D Uncertainty Field based on the learned incomplete scene geometry, which explicitly identifies these unseen regions. By considering the accumulated transmittance along each camera ray, our Uncertainty Field infers 2D pixel-wise uncertainty, exhibiting high values for rays directly casting towards occluded or outside the scene content. To quantify the uncertainty on the learned surface, we model a stochastic radiance field. Our experiments demonstrate that our approach is the only one that can explicitly reason about high uncertainty both on 3D unseen regions and its involved 2D rendered pixels, compared with recent methods. Furthermore, we illustrate that our designed uncertainty field is ideally suited for real-world robotics tasks, such as next-best-view selection.
• Abstract（参考訳）: ニューラル・ラジアンス・フィールド(NeRF)に基づく現在の手法では、特に隠蔽されたシーンや外部シーンの内容を含む見えない領域において、予測の不確かさを定量化する能力が著しく欠如している。 この制限は、モデル予測の信頼性を未知の環境でのロボット探索や計画といったタスクに考慮しなければならないロボット工学の広範な応用を妨げる。 そこで本研究では,これらの不完全領域を明示的に識別する学習不完全シーン幾何に基づく3次元不確かさ場を推定する新しい手法を提案する。 各カメラ線に沿って蓄積された透過率を考慮すると、不確実性フィールドは2次元不確かさを推定し、シーン内容の内外に直接投射する光に対して高い値を示す。 学習面上の不確実性を定量化するために,確率的放射場をモデル化する。 近年の手法と比較して、3D未確認領域と2Dレンダリングピクセルの両方で高い不確実性について明確に推論できるのは,本手法のみであることを示す。 さらに,我々が設計した不確実性分野は,次の視点選択のような実世界のロボット作業に理想的に適していることを示す。

関連論文リスト

• Manifold Sampling for Differentiable Uncertainty in Radiance Fields [82.17927517146929]
  本稿では,ガウス放射場を明示的かつきめ細かい不確実性推定で学習するための多元的アプローチを提案する。 次回のベクター・ビュー・プランニング・タスクにおける最先端のパフォーマンスを実演する。
  論文  参考訳（メタデータ） (2024-09-19T11:22:20Z)
• Sources of Uncertainty in 3D Scene Reconstruction [19.807599821939633]
  本稿では,3次元シーン再構成法に固有の不確実性源を分類する分類法を提案する。 我々は、不確かさの出力やアンサンブルの学習を含む不確実性推定技術を用いて、NeRFおよびGSに基づく手法を拡張した。 本研究では,NeRF/GSをベースとした3次元再構成手法の設計において,様々な不確実性に対処する必要性を強調した。
  論文  参考訳（メタデータ） (2024-09-10T10:43:53Z)
• Calib3D: Calibrating Model Preferences for Reliable 3D Scene Understanding [55.32861154245772]
  Calib3Dは3Dシーン理解モデルの信頼性をベンチマークし精査する先駆的な試みである。 10種類の3Dデータセットにわたる28の最先端モデルを評価した。 本稿では,3次元モデルのキャリブレーション向上を目的とした,深度対応のスケーリング手法であるDeptSを紹介する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:59Z)
• FisherRF: Active View Selection and Uncertainty Quantification for Radiance Fields using Fisher Information [32.66184501415286]
  本研究では、放射場領域におけるアクティブビュー選択と不確実性定量化の問題に対処する。 NeRFは画像のレンダリングと再構成が大幅に進歩しているが、2D画像の可用性の限界は不確かである。 水産情報を活用することにより,地上の真理データを使わずに,レージアンスフィールド内の観測情報を効率的に定量化する。
  論文  参考訳（メタデータ） (2023-11-29T18:20:16Z)
• GUPNet++: Geometry Uncertainty Propagation Network for Monocular 3D Object Detection [95.8940731298518]
  我々はGUPNet++(Geometry Uncertainty Propagation Network)を提案する。 トレーニング中の幾何射影の不確実性伝播関係をモデル化し、エンドツーエンドのモデル学習の安定性と効率を向上させる。 実験により,提案手法は画像ベースモノクロ3次元検出におけるSOTA性能を得るだけでなく,簡易なフレームワークで有効性を示す。
  論文  参考訳（メタデータ） (2023-10-24T08:45:15Z)
• Safe motion planning with environment uncertainty [1.4824891788575418]
  本稿では,ロボットの状態と環境の不確実性を考慮した安全な運動計画手法を提案する。 我々はまず,ロボットのローカライゼーションにおける画期的な不確実性を考慮したアプローチを開発する。 次に、衝突確率の正確な式を計算することにより、最先端の手法を拡張する。
  論文  参考訳（メタデータ） (2023-05-10T09:29:41Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• Autoregressive Uncertainty Modeling for 3D Bounding Box Prediction [63.3021778885906]
  3Dバウンディングボックスは、多くのコンピュータビジョンアプリケーションで広く使われている中間表現である。 本稿では,自己回帰モデルを利用して高い信頼度予測と意味のある不確実性対策を行う手法を提案する。 我々はシミュレーションデータセットであるCOB-3Dをリリースし、現実世界のロボティクスアプリケーションで発生する新しいタイプのあいまいさを強調します。
  論文  参考訳（メタデータ） (2022-10-13T23:57:40Z)
• Density-aware NeRF Ensembles: Quantifying Predictive Uncertainty in Neural Radiance Fields [7.380217868660371]
  ニューラルレイディアンス場(NeRF)におけるモデル不確かさを効果的に定量化することを示す。 次世代のビュー選択やモデル改良にNeRFの不確かさを活用できることを実証する。
  論文  参考訳（メタデータ） (2022-09-19T02:28:33Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)

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。