論文の概要: Bayesian NeRF: Quantifying Uncertainty with Volume Density for Neural Implicit Fields
- arxiv url: http://arxiv.org/abs/2404.06727v2
- Date: Wed, 01 Jan 2025 04:29:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-03 14:34:18.955531
- Title: Bayesian NeRF: Quantifying Uncertainty with Volume Density for Neural Implicit Fields
- Title（参考訳）: Bayesian NeRF:ニューラルインシシト場における体積密度の不確かさの定量化
- Authors: Sibeak Lee, Kyeongsu Kang, Seongbo Ha, Hyeonwoo Yu,
- Abstract要約: 本稿では, 被占領地における不確実性をモデル化することにより, 体積密度の不確かさを明示的に定量するベイズ型ニューラルレイディアンス場(NeRF)を提案する。
NeRFは、様々な視点から3次元空間における濃密なシーン表現、色、密度を提供することによって、伝統的な幾何学的手法から分岐する。
本稿では,RGB画像と深度画像の性能を総合的なデータセットで大幅に向上することを示す。
- 参考スコア（独自算出の注目度）: 1.199955563466263
- License:
- Abstract: We present a Bayesian Neural Radiance Field (NeRF), which explicitly quantifies uncertainty in the volume density by modeling uncertainty in the occupancy, without the need for additional networks, making it particularly suited for challenging observations and uncontrolled image environments. NeRF diverges from traditional geometric methods by providing an enriched scene representation, rendering color and density in 3D space from various viewpoints. However, NeRF encounters limitations in addressing uncertainties solely through geometric structure information, leading to inaccuracies when interpreting scenes with insufficient real-world observations. While previous efforts have relied on auxiliary networks, we propose a series of formulation extensions to NeRF that manage uncertainties in density, both color and density, and occupancy, all without the need for additional networks. In experiments, we show that our method significantly enhances performance on RGB and depth images in the comprehensive dataset. Given that uncertainty modeling aligns well with the inherently uncertain environments of Simultaneous Localization and Mapping (SLAM), we applied our approach to SLAM systems and observed notable improvements in mapping and tracking performance. These results confirm the effectiveness of our Bayesian NeRF approach in quantifying uncertainty based on geometric structure, making it a robust solution for challenging real-world scenarios.
- Abstract（参考訳）: 本稿では,付加的なネットワークを必要とせずに,占有率の不確かさをモデル化することにより,体積密度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3次元空間における濃密なシーン表現、色、密度を提供することによって、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のみを通して不確実性に対処する際の限界に遭遇し、現実世界の観測が不十分な場面を解釈する際に不正確な結果となる。
これまでの取り組みは補助的なネットワークに依存していたが、我々はNeRFに対する一連の定式化拡張を提案し、ネットワークの追加を必要とせず、色と密度と占有率の不確実性を管理する。
実験の結果,本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著しく向上させることがわかった。
不確実性モデリングは、本質的に不確実なSLAM環境とよく一致していることを踏まえ、本手法をSLAMシステムに適用し、マッピングおよび追跡性能の顕著な改善を観察した。
これらの結果は,幾何構造に基づく不確かさの定量化におけるベイズ的NeRF手法の有効性を確認し,実世界のシナリオに挑戦するための堅牢な解である。
関連論文リスト
- Generative Edge Detection with Stable Diffusion [52.870631376660924]
エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。
本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。
複数のデータセットに対して広範な実験を行い、競争性能を達成する。
論文 参考訳（メタデータ） (2024-10-04T01:52:23Z) - Shedding Light on Large Generative Networks: Estimating Epistemic Uncertainty in Diffusion Models [15.352556466952477]
生成拡散モデルは、その大きなパラメータ数(1億を超える)と高次元画像空間での操作で顕著である。
本研究では,拡散モデルに対する疫学的不確実性を推定するための新しいフレームワークであるDiffusion Ensembles for Capturing Uncertainty (DECU)を導入する。
論文 参考訳（メタデータ） (2024-06-05T14:03:21Z) - Restricted Bayesian Neural Network [0.0]
本研究では,ベイズニューラルネットワークの概念を探求し,ネットワークの記憶空間の複雑さを大幅に軽減する新しいアーキテクチャを提案する。
本研究では,不確実性を効率的に扱えるアルゴリズムを導入し,局所最適に閉じ込められることなく,堅牢な収束値を確保する。
論文 参考訳（メタデータ） (2024-03-06T19:09:11Z) - 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) - Density Uncertainty Quantification with NeRF-Ensembles: Impact of Data
and Scene Constraints [6.905060726100166]
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。
論文 参考訳（メタデータ） (2023-12-22T13:01:21Z) - 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) - 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) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-09-28T17:56:41Z) - 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) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z)
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。