論文の概要: These Magic Moments: Differentiable Uncertainty Quantification of Radiance Field Models

• arxiv url: http://arxiv.org/abs/2503.14665v1
• Date: Tue, 18 Mar 2025 19:12:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:22:26.421693
• Title: These Magic Moments: Differentiable Uncertainty Quantification of Radiance Field Models
• Title（参考訳）: これらの魔法のモーメント:放射場モデルの異なる不確かさの定量化
• Authors: Parker Ewen, Hao Chen, Seth Isaacson, Joey Wilson, Katherine A. Skinner, Ram Vasudevan,
• Abstract要約: 本稿では, レンダリング方程式の高次モーメントを利用して, 放射場に対する不確実性定量化手法を提案する。 本研究では,レンダリングの確率的性質により,高次モーメントの効率よく,かつ微分可能な計算が可能であることを実証する。 提案手法は, 処理後処理を必要とせずに, より直接的で, 計算効率が高く, 微分可能な定式化を提供しながら, 既存の放射界不確実性推定手法より優れている。
• 参考スコア（独自算出の注目度）: 10.02165286767147
• License:
• Abstract: This paper introduces a novel approach to uncertainty quantification for radiance fields by leveraging higher-order moments of the rendering equation. Uncertainty quantification is crucial for downstream tasks including view planning and scene understanding, where safety and robustness are paramount. However, the high dimensionality and complexity of radiance fields pose significant challenges for uncertainty quantification, limiting the use of these uncertainty quantification methods in high-speed decision-making. We demonstrate that the probabilistic nature of the rendering process enables efficient and differentiable computation of higher-order moments for radiance field outputs, including color, depth, and semantic predictions. Our method outperforms existing radiance field uncertainty estimation techniques while offering a more direct, computationally efficient, and differentiable formulation without the need for post-processing.Beyond uncertainty quantification, we also illustrate the utility of our approach in downstream applications such as next-best-view (NBV) selection and active ray sampling for neural radiance field training. Extensive experiments on synthetic and real-world scenes confirm the efficacy of our approach, which achieves state-of-the-art performance while maintaining simplicity.
• Abstract（参考訳）: 本稿では, レンダリング方程式の高次モーメントを利用して, 放射場に対する不確実性定量化手法を提案する。 不確実性定量化は、安全とロバスト性が最重要であるビュープランニングやシーン理解など、下流のタスクに不可欠である。 しかし、放射界の高次元性と複雑さは、これらの不確実な定量化法を高速な意思決定に使用することを制限し、不確かさの定量化に重大な課題をもたらす。 本研究では, 色, 深度, 意味予測など, 高次モーメントの効率よく, 微分可能な計算が可能であることを実証した。 提案手法は, 処理後処理を必要とせず, より直接的で, 計算効率が高く, 微分可能な定式化を提供しながら, 既存の放射界不確実性評価手法よりも優れている。 合成シーンと実世界のシーンの広範にわたる実験により, シンプルさを維持しつつ, 最先端の性能を実現するアプローチの有効性が確認された。

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)
• Uncertainty quantification for deeponets with ensemble kalman inversion [0.8158530638728501]
  本研究では,Ensemble Kalman Inversion (EKI) 手法を用いて,演算子学習のための効率的な不確実性定量化(UQ)のための新しい推論手法を提案する。 EKIはデリバティブフリーでノイズロバストで高度に並列化可能な特徴で知られており、物理インフォームドニューラルネットワークのUQに対するアドバンテージを実証している。 我々は、より大きなデータセットに対応するために、EKIのミニバッチ版をデプロイし、トレーニング段階での大きなデータセットによる計算需要を軽減します。
  論文  参考訳（メタデータ） (2024-03-06T04:02:30Z)
• Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
  本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。 本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。 提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
  論文  参考訳（メタデータ） (2024-02-13T11:22:59Z)
• One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
  そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。 幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
  論文  参考訳（メタデータ） (2023-12-16T14:59:11Z)
• 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)
• FG-NeRF: Flow-GAN based Probabilistic Neural Radiance Field for Independence-Assumption-Free Uncertainty Estimation [28.899779240902703]
  本研究では,Flow-GANに基づく独立推定自由確率的ニューラル放射場を提案する。 本手法は, 対向学習の生成能力と正規化フローの強力な表現性を組み合わせることで, シーンの密度-放射分布を明示的にモデル化する。 提案手法は,より低いレンダリング誤差と,合成データセットと実世界のデータセットの信頼性の高い不確実性を予測し,最先端の性能を示す。
  論文  参考訳（メタデータ） (2023-09-28T12:05:08Z)
• dugMatting: Decomposed-Uncertainty-Guided Matting [83.71273621169404]
  そこで本稿では, 明確に分解された不確かさを探索し, 効率よく効率よく改善する, 分解不確実性誘導型マッチングアルゴリズムを提案する。 提案したマッチングフレームワークは,シンプルで効率的なラベリングを用いて対話領域を決定する必要性を緩和する。
  論文  参考訳（メタデータ） (2023-06-02T11:19:50Z)
• TensoIR: Tensorial Inverse Rendering [51.57268311847087]
  テンソルIRはテンソル分解とニューラルフィールドに基づく新しい逆レンダリング手法である。 TensoRFは、放射場モデリングのための最先端のアプローチである。
  論文  参考訳（メタデータ） (2023-04-24T21:39:13Z)
• 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)
• Temporal Difference Uncertainties as a Signal for Exploration [76.6341354269013]
  強化学習における探索の効果的なアプローチは、最適な政策に対するエージェントの不確実性に依存することである。 本稿では,評価値のバイアスや時間的に矛盾する点を強調した。 本稿では,時間差誤差の分布の導出に依存する値関数の不確かさを推定する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-05T18:11:22Z)

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。