論文の概要: Sources of Uncertainty in 3D Scene Reconstruction

• arxiv url: http://arxiv.org/abs/2409.06407v1
• Date: Tue, 10 Sep 2024 10:43:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 18:10:00.475511
• Title: Sources of Uncertainty in 3D Scene Reconstruction
• Title（参考訳）: 3次元シーン再構成における不確かさの源泉
• Authors: Marcus Klasson, Riccardo Mereu, Juho Kannala, Arno Solin,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 19.807599821939633
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The process of 3D scene reconstruction can be affected by numerous uncertainty sources in real-world scenes. While Neural Radiance Fields (NeRFs) and 3D Gaussian Splatting (GS) achieve high-fidelity rendering, they lack built-in mechanisms to directly address or quantify uncertainties arising from the presence of noise, occlusions, confounding outliers, and imprecise camera pose inputs. In this paper, we introduce a taxonomy that categorizes different sources of uncertainty inherent in these methods. Moreover, we extend NeRF- and GS-based methods with uncertainty estimation techniques, including learning uncertainty outputs and ensembles, and perform an empirical study to assess their ability to capture the sensitivity of the reconstruction. Our study highlights the need for addressing various uncertainty aspects when designing NeRF/GS-based methods for uncertainty-aware 3D reconstruction.
• Abstract（参考訳）: 3次元シーン再構成のプロセスは、現実世界のシーンにおける多くの不確実性ソースに影響される可能性がある。 Neural Radiance Fields (NeRF) と 3D Gaussian Splatting (GS) は高忠実なレンダリングを実現するが、ノイズ、閉塞、不正確なカメラポーズの入力から生じる不確実性に直接対処または定量化するための組み込みメカニズムは欠如している。 本稿では,これらの手法に固有の不確実性の原因を分類する分類法を提案する。 さらに,NeRFおよびGSに基づく手法を,不確実性出力やアンサンブルの学習を含む不確実性推定手法で拡張し,再現の感度を捉える能力を評価するための実証的研究を行った。 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。

関連論文リスト

• PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
  PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。 本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
  論文  参考訳（メタデータ） (2024-10-29T15:28:15Z)
• Deep Modeling of Non-Gaussian Aleatoric Uncertainty [4.969887562291159]
  ディープラーニングは、ロボット推定システムにおけるアレタリック不確実性を正確にモデル化する、有望な新しい方法を提供する。 本研究では,条件付き確率密度モデリングのための3つの基礎的深層学習手法を定式化し,評価する。 以上の結果から,これらの深層学習手法は複雑な不確実性パターンを正確に把握し,評価システムの信頼性と堅牢性を向上させる可能性を強調した。
  論文  参考訳（メタデータ） (2024-05-30T22:13:17Z)
• Modeling uncertainty for Gaussian Splatting [21.836830270709]
  ガウススティング(GS)を用いた不確実性推定のための最初のフレームワークを提案する。 本稿では,不確実性予測をGSの共通レンダリングパイプラインにシームレスに統合する,変分推論に基づくアプローチを提案する。 また、損失関数の新たな用語としてAUSE(Area Under Sparsification Error)を導入し、画像再構成とともに不確実性推定の最適化を可能にする。
  論文  参考訳（メタデータ） (2024-03-27T11:45:08Z)
• 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)
• 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)
• Estimating 3D Uncertainty Field: Quantifying Uncertainty for Neural Radiance Fields [25.300284510832974]
  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。
  論文  参考訳（メタデータ） (2023-11-03T09:47:53Z)
• 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)
• 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)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• 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)
• 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。