Fugu-MT 論文翻訳(概要): Bayesian NeRF: Quantifying Uncertainty with Volume Density in Neural Radiance Fields

論文の概要: Bayesian NeRF: Quantifying Uncertainty with Volume Density in Neural Radiance Fields

arxiv url: http://arxiv.org/abs/2404.06727v1
Date: Wed, 10 Apr 2024 04:24:42 GMT
ステータス: 処理完了
システム内更新日: 2024-04-11 15:29:37.765583
Title: Bayesian NeRF: Quantifying Uncertainty with Volume Density in Neural Radiance Fields
Title（参考訳）: Bayesian NeRF:ニューラル放射場における体積密度の不確かさの定量化
Authors: Sibeak Lee, Kyeongsu Kang, Hyeonwoo Yu,
Abstract要約: 本稿では,幾何体積構造における不確かさを明示的に定量するベイズニューラルネットワーク場(NeRF)を提案する。 NeRFは、様々な視点から、リッチなシーン表現、色と密度を3D空間に表示することで、伝統的な幾何学的手法から分岐する。提案手法は,RGBだけでなく,ネットワークの追加や経験的仮定を必要とせず,不確実性を管理するためにシームレスに拡張する。
参考スコア（独自算出の注目度）: 1.3108652488669732
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present the Bayesian Neural Radiance Field (NeRF), which explicitly quantifies uncertainty in geometric volume structures without the need for additional networks, making it adept for challenging observations and uncontrolled images. NeRF diverges from traditional geometric methods by offering an enriched scene representation, rendering color and density in 3D space from various viewpoints. However, NeRF encounters limitations in relaxing uncertainties by using geometric structure information, leading to inaccuracies in interpretation under insufficient real-world observations. Recent research efforts aimed at addressing this issue have primarily relied on empirical methods or auxiliary networks. To fundamentally address this issue, we propose a series of formulational extensions to NeRF. By introducing generalized approximations and defining density-related uncertainty, our method seamlessly extends to manage uncertainty not only for RGB but also for depth, without the need for additional networks or empirical assumptions. In experiments we show that our method significantly enhances performance on RGB and depth images in the comprehensive dataset, demonstrating the reliability of the Bayesian NeRF approach to quantifying uncertainty based on the geometric structure.
Abstract（参考訳）: 本稿では,付加的なネットワークを必要とせず,幾何体積構造の不確かさを明示的に定量化するベイズニューラルネットワーク場(NeRF)について述べる。 NeRFは、様々な視点から、リッチなシーン表現、色と密度を3D空間に表示することで、伝統的な幾何学的手法から分岐する。しかし、NeRFは幾何学的構造情報を用いて不確実性を緩和する際の限界に遭遇し、現実世界の観測が不十分な場合の解釈の不正確さをもたらす。この問題に対処するための最近の研究努力は、主に経験的手法や補助的ネットワークに依存している。この問題を根本的に解決するために、我々はNeRFに対する一連の定式化拡張を提案する。一般化近似を導入し,密度関連不確実性を定義することで,RGBだけでなく,ネットワークの追加や経験的仮定を必要とせずに,不確実性の管理をシームレスに行えるようにした。実験の結果,この手法は総合データセットにおけるRGBおよび深度画像の性能を大幅に向上させ,幾何構造に基づく不確実性の定量化のためのベイジアンNeRFアプローチの信頼性を示す。

関連論文リスト

Unveiling the Depths: A Multi-Modal Fusion Framework for Challenging Scenarios [103.72094710263656]
本稿では,学習に基づくフレームワークを用いて,支配的モダリティの奥行きを識別し,統合する手法を提案する。本稿では,信頼度予測ネットワークを操り,潜在電位深度領域を特定する信頼マップを作成する新しい信頼損失を提案する。得られた信頼度マップを用いて,最終深度をエンドツーエンドに融合するマルチモーダル融合ネットワークを提案する。
論文参考訳（メタデータ） (2024-02-19T04:39:16Z)
Taming Uncertainty in Sparse-view Generalizable NeRF via Indirect Diffusion Guidance [13.006310342461354]
一般化可能なNeRF(Gen-NeRF)は、しばしば不確実性に満ちたスパース入力を持つ未観測領域でぼやけたアーティファクトを生成する。本稿では, 間接拡散誘導型NeRFフレームワークであるID-NeRFを提案し, 生成的観点からの不確実性に対処する。
論文参考訳（メタデータ） (2024-02-02T08:39:51Z)
Instant Uncertainty Calibration of NeRFs Using a Meta-calibrator [60.47106421809998]
我々は,1つの前方パスを持つNeRFに対して不確実な校正を行うメタ校正器の概念を導入する。メタキャリブレータは、見えないシーンを一般化し、NeRFの良好な校正と最先端の不確実性を実現できることを示す。
論文参考訳（メタデータ） (2023-12-04T21:29:31Z)
Elongated Physiological Structure Segmentation via Spatial and Scale Uncertainty-aware Network [28.88756808141357]
本研究では,空間的・大規模不確実性認識ネットワーク(SSU-Net)を提案する。実験の結果,SSU-Netは角膜内皮細胞と網膜血管の分節機能に優れていた。
論文参考訳（メタデータ） (2023-05-30T08:57:31Z)
Correspondence Distillation from NeRF-based GAN [135.99756183251228]
神経放射野(NeRF)は、物体やシーンの微細な詳細を保存するための有望な結果を示している。同じカテゴリの異なるNeRFをまたいで密度の高い対応を構築することは、依然として未解決の問題である。トレーニング済みのNeRFベースGANにカプセル化されているリッチなセマンティクスと構造的先行性を活用することで,これらの課題を回避可能であることを示す。
論文参考訳（メタデータ） (2022-12-19T18:54:59Z)
Exact-NeRF: An Exploration of a Precise Volumetric Parameterization for Neural Radiance Fields [16.870604081967866]
本論文は、mip-NeRF近似に対する正確な解析解を提供するための最初のアプローチである。このような正確な定式化は、mip-NeRFの精度と一致し、さらに、さらなる修正を伴わずに、より困難なシナリオへの自然な拡張を提供することを示す。我々の貢献は、初期のNeRF研究におけるフラストタル近似の未解明問題に対処することと、将来のNeRF拡張における解析的解決の可能性についての洞察を提供することである。
論文参考訳（メタデータ） (2022-11-22T13:56:33Z)
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)
CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural Representations [77.90883737693325]
本稿では,スパース入力センサビューから観測される大規模な屋外運転シーンをモデル化することで,NeRFを大幅に改善するCLONeRを提案する。これは、NeRFフレームワーク内の占有率と色学習を、それぞれLiDARとカメラデータを用いてトレーニングされた個別のMulti-Layer Perceptron(MLP)に分離することで実現される。さらに,NeRFモデルと平行に3D Occupancy Grid Maps(OGM)を構築する手法を提案し,この占有グリッドを利用して距離空間のレンダリングのために線に沿った点のサンプリングを改善する。
論文参考訳（メタデータ） (2022-09-02T17:44:50Z)
Non-line-of-Sight Imaging via Neural Transient Fields [52.91826472034646]
NLOS(non-Line-of-Sight)イメージングのためのニューラルモデリングフレームワークを提案する。最近のNeRF(Neural Radiance Field)アプローチにインスパイアされた我々は、ニューラルネットワーク(NeTF)を表現するために多層パーセプトロン(MLP)を使用する。共焦点と非共焦点の両方に適用可能な球状ボリュームnetf再構成パイプラインを定式化する。
論文参考訳（メタデータ） (2021-01-02T05:20:54Z)
Quantifying Sources of Uncertainty in Deep Learning-Based Image Reconstruction [5.129343375966527]
本稿では,学習反復画像再構成におけるアレタリックおよびエピステマティック不確かさを同時に定量化する,スケーラブルで効率的なフレームワークを提案する。本手法は,スパークビューと制限角度データの両方を用いて,従来の計算トモグラフィーのベンチマークと競合する性能を示す。
論文参考訳（メタデータ） (2020-11-17T04:12:52Z)
On Random Kernels of Residual Architectures [93.94469470368988]
ResNets と DenseNets のニューラルタンジェントカーネル (NTK) に対して有限幅および深さ補正を導出する。その結果,ResNetsでは,深さと幅が同時に無限大となるとNTKへの収束が生じる可能性が示唆された。しかし、DenseNetsでは、NTKの幅が無限大になる傾向があるため、その限界への収束が保証されている。
論文参考訳（メタデータ） (2020-01-28T16:47:53Z)

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。