論文の概要: Density Uncertainty Quantification with NeRF-Ensembles: Impact of Data
and Scene Constraints
- arxiv url: http://arxiv.org/abs/2312.14664v1
- Date: Fri, 22 Dec 2023 13:01:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 15:06:15.045315
- Title: Density Uncertainty Quantification with NeRF-Ensembles: Impact of Data
and Scene Constraints
- Title（参考訳）: NeRFアンサンブルを用いた密度不確かさの定量化:データとシーン制約の影響
- Authors: Miriam J\"ager, Steven Landgraf, Boris Jutzi
- Abstract要約: 平均密度とともに密度不確かさを推定するNeRF-Ensemblesを提案する。
品質の低い画像やポーズなどのデータ制約がトレーニングプロセスの劣化につながることを実証する。
NeRF-Ensemblesは不確実性を定量化するツールを提供するだけでなく、2つの有望な利点を示す。
- 参考スコア（独自算出の注目度）: 6.905060726100166
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the fields of computer graphics, computer vision and photogrammetry,
Neural Radiance Fields (NeRFs) are a major topic driving current research and
development. However, the quality of NeRF-generated 3D scene reconstructions
and subsequent surface reconstructions, heavily relies on the network output,
particularly the density. Regarding this critical aspect, we propose to utilize
NeRF-Ensembles that provide a density uncertainty estimate alongside the mean
density. We demonstrate that data constraints such as low-quality images and
poses lead to a degradation of the training process, increased density
uncertainty and decreased predicted density. Even with high-quality input data,
the density uncertainty varies based on scene constraints such as acquisition
constellations, occlusions and material properties. NeRF-Ensembles not only
provide a tool for quantifying the uncertainty but exhibit two promising
advantages: Enhanced robustness and artifact removal. Through the utilization
of NeRF-Ensembles instead of single NeRFs, small outliers are removed, yielding
a smoother output with improved completeness of structures. Furthermore,
applying percentile-based thresholds on density uncertainty outliers proves to
be effective for the removal of large (foggy) artifacts in post-processing. We
conduct our methodology on 3 different datasets: (i) synthetic benchmark
dataset, (ii) real benchmark dataset, (iii) real data under realistic recording
conditions and sensors.
- Abstract（参考訳）: コンピュータグラフィックス、コンピュータビジョン、フォトグラムメトリーの分野では、Neural Radiance Fields(NeRF)が現在の研究と開発を駆動する主要なトピックである。
しかし、NeRF生成した3Dシーンの再現とその後の表面再構成の品質は、ネットワーク出力、特に密度に大きく依存している。
この重要な側面については,平均密度とともに密度不確かさ推定を提供するNeRF-Ensemblesの利用を提案する。
我々は,低画質画像やポーズなどのデータ制約がトレーニングプロセスの劣化,密度の不確実性の増大,予測密度の低下につながることを示した。
高品質な入力データであっても、密度の不確実性は、取得コンステレーション、オクルージョン、材料特性などのシーン制約によって異なる。
NeRF-Ensemblesは不確実性を定量化するツールを提供するだけでなく、2つの有望な利点を示す。
単一 NeRF の代わりに NeRF-Ensembles を用いることで、小さな外周を除去し、構造全体の完全性を改善したスムーズな出力が得られる。
さらに,密度の不確かさに対するパーセンタイルに基づくしきい値の適用は,後処理において大きな(フォギー)アーティファクトの除去に有効であることが証明された。
私たちは3つの異なるデータセットで方法論を実行します。
(i)合成ベンチマークデータセット
(ii)実際のベンチマークデータセット
(iii)現実的な記録条件とセンサによる実データ。
関連論文リスト
- Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。
本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-05T09:16:56Z) - Uncertainty modeling for fine-tuned implicit functions [10.902709236602536]
入射関数は、スパースビューから詳細な物体形状を再構成するコンピュータビジョンにおいて重要な役割を担っている。
暗黙関数における不確実性推定手法であるDropsemblesを導入する。
その結果,Dropsemblesは深層アンサンブルの精度とキャリブレーションレベルを達成するが,計算コストは著しく低いことがわかった。
論文 参考訳（メタデータ） (2024-06-17T20:46:18Z) - 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) - OOD-CV-v2: An extended Benchmark for Robustness to Out-of-Distribution
Shifts of Individual Nuisances in Natural Images [59.51657161097337]
OOD-CV-v2は、ポーズ、形状、テクスチャ、コンテキスト、気象条件の10のオブジェクトカテゴリのアウト・オブ・ディストリビューションの例を含むベンチマークデータセットである。
この新たなデータセットに加えて、一般的なベースライン手法を用いた広範な実験にも貢献する。
論文 参考訳（メタデータ） (2023-04-17T20:39:25Z) - On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。
本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
論文 参考訳（メタデータ） (2023-03-26T22:32:44Z) - 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) - Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。
近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文 参考訳（メタデータ） (2022-05-31T22:28:34Z) - Physics-Driven Learning of Wasserstein GAN for Density Reconstruction in
Dynamic Tomography [4.970364068620608]
本研究では, ノイズ密度再構成において, 深層ニューラルネットワークが人工物除去を行う能力を示す。
We use a Wasserstein generative adversarial network (WGAN) ここでは、ジェネレータが従来の再構成アルゴリズムから得られた密度のアーチファクトを除去するデノイザとして機能する。
予備的な数値計算により,我々のフレームワークで訓練したモデルでは,密度時系列データにおいて未知のノイズのかなりの部分を取り除くことができることがわかった。
論文 参考訳（メタデータ） (2021-10-28T20:23:06Z) - SMD-Nets: Stereo Mixture Density Networks [68.56947049719936]
SMD-Nets(Stereo Mixture Density Networks)は、幅広い2Dおよび3Dアーキテクチャに対応したシンプルで効果的な学習フレームワークです。
具体的には,バイモーダル混合密度を出力表現として活用し,不連続近傍の鋭く正確な不一致推定を可能にすることを示す。
我々は8Mpx解像度のステレオペアと現実世界のステレオデータセットからなる、新しい高解像度でリアルな合成ステレオデータセットに関する包括的な実験を行う。
論文 参考訳（メタデータ） (2021-04-08T16:15:46Z) - A Unified Plug-and-Play Framework for Effective Data Denoising and
Robust Abstention [4.200576272300216]
基礎となるデータ密度を利用した統合フィルタリングフレームワークを提案する。
我々のフレームワークは、トレーニングデータを効果的にデノベートし、不確実なテストデータポイントの予測を避けることができる。
論文 参考訳（メタデータ） (2020-09-25T04:18:08Z)
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。