論文の概要: HERE: Hierarchical Active Exploration of Radiance Field with Epistemic Uncertainty Minimization

• arxiv url: http://arxiv.org/abs/2601.07242v1
• Date: Mon, 12 Jan 2026 06:23:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.244
• Title: HERE: Hierarchical Active Exploration of Radiance Field with Epistemic Uncertainty Minimization
• Title（参考訳）: HERE:疫学的不確実性最小化を伴う放射界の階層的アクティブ探索
• Authors: Taekbeom Lee, Dabin Kim, Youngseok Jang, H. Jin Kim,
• Abstract要約: 本稿では,ニューラルレイディアンス場に基づく能動的3次元シーン再構築フレームワークHEREについて述べる。 提案手法は,未確認領域の正確な同定を契機として,カメラ軌跡生成のためのアクティブな学習戦略に焦点をあてる。 提案手法の有効性は, 従来の手法に比べて高い復元完全性を実現することで実証された。
• 参考スコア（独自算出の注目度）: 21.297877967566766
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present HERE, an active 3D scene reconstruction framework based on neural radiance fields, enabling high-fidelity implicit mapping. Our approach centers around an active learning strategy for camera trajectory generation, driven by accurate identification of unseen regions, which supports efficient data acquisition and precise scene reconstruction. The key to our approach is epistemic uncertainty quantification based on evidential deep learning, which directly captures data insufficiency and exhibits a strong correlation with reconstruction errors. This allows our framework to more reliably identify unexplored or poorly reconstructed regions compared to existing methods, leading to more informed and targeted exploration. Additionally, we design a hierarchical exploration strategy that leverages learned epistemic uncertainty, where local planning extracts target viewpoints from high-uncertainty voxels based on visibility for trajectory generation, and global planning uses uncertainty to guide large-scale coverage for efficient and comprehensive reconstruction. The effectiveness of the proposed method in active 3D reconstruction is demonstrated by achieving higher reconstruction completeness compared to previous approaches on photorealistic simulated scenes across varying scales, while a hardware demonstration further validates its real-world applicability.
• Abstract（参考訳）: 本稿では,ニューラルレイディアンス場に基づく能動的3次元シーン再構築フレームワークHEREについて述べる。 提案手法は,効率的なデータ取得と正確なシーン再構築を支援する未確認領域の正確な識別により,カメラ軌跡生成のためのアクティブな学習戦略を中心に展開する。 提案手法の鍵となるのは、明らかな深層学習に基づくてんかん性不確実性定量化であり、これはデータ不足を直接キャプチャし、再構成エラーと強い相関を示す。 これにより、既存の手法と比較して、探索されていない地域や再構成されていない地域をより確実に特定できるようになり、より情報と対象の探究が可能になります。 さらに,学習した疫学的不確実性を活用する階層的探索戦略を設計し,局所的な計画が軌道生成の可視性に基づく高不確実性ボクセルから目標視点を抽出し,グローバルな計画が不確実性を利用して大規模カバレッジを誘導し,効率的かつ包括的再構築を行う。 提案手法の有効性は, 様々なスケールでの光リアルなシミュレートシーンに対する従来手法と比較して高い再現性を実現し, ハードウェアによる実世界の適用性を更に検証することによって実証された。

関連論文リスト

• OUGS: Active View Selection via Object-aware Uncertainty Estimation in 3DGS [14.124481717283544]
  OUGSは3DGSの原則的、物理的に根拠のある不確実性定式化である。 我々の中心となる革新は、3Dガウス原始体の明示的な物理的パラメータから直接不確実性を引き出すことである。 この基盤により、セマンティックセグメンテーションマスクをシームレスに統合し、ターゲットとするオブジェクト認識の不確実性スコアを生成することができる。
  論文  参考訳（メタデータ） (2025-11-12T15:08:46Z)
• Deep Spectral Epipolar Representations for Dense Light Field Reconstruction [0.0]
  本稿では,高密度光場再構成のための新しいDEP(Deep Spectral Epipolar Representation)フレームワークを提案する。 提案手法は、エピポーラ平面画像間の周波数領域相関を利用して、大域構造コヒーレンスを強制する。 4D光場ベンチマークと様々な実世界のデータセットの実験により、DSERは精度、構造的整合性、計算効率の点で優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-08-12T12:41:47Z)
• ActiveSplat: High-Fidelity Scene Reconstruction through Active Gaussian Splatting [12.644175177979196]
  ガウススプラッティングを利用した自律型高忠実度再構築システムであるActiveSplatを提案する。 このシステムは、オンラインマッピング、視点選択、経路計画のための統合されたフレームワークを確立する。
  論文  参考訳（メタデータ） (2024-10-29T11:18:04Z)
• NARUTO: Neural Active Reconstruction from Uncertain Target Observations [30.09067122521648]
  本稿では,ハイブリッド型ニューラル表現と不確実性学習を組み合わせたニューラルアクティブリコンストラクションシステムであるナルートについて述べる。 我々のシステムは、不確実な観測をターゲットとして自律的に探索し、顕著な完全性と忠実さで環境を再構築する。
  論文  参考訳（メタデータ） (2024-02-29T00:25:26Z)
• OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
  本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。 我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。 意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-14T18:58:52Z)
• 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)
• Towards Generalizable Deepfake Detection by Primary Region Regularization [52.41801719896089]
  本稿では,新しい正規化の観点から一般化能力を高める。 本手法は, 一次領域マップの静的な位置決めと, 一次領域マスクの動的利用の2段階からなる。 5つのバックボーンを持つDFDC,DF-1.0,Celeb-DFの3種類のディープフェイクデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-07-24T05:43:34Z)
• CPPF++: Uncertainty-Aware Sim2Real Object Pose Estimation by Vote Aggregation [67.12857074801731]
  そこで本研究では,シミュレートからリアルなポーズ推定のための新しい手法であるCPPF++を提案する。 投票衝突による課題に対処するため,投票の不確実性をモデル化する新たなアプローチを提案する。 ノイズの多いペアフィルタリング、オンラインアライメント最適化、機能アンサンブルなど、いくつかの革新的なモジュールを組み込んでいます。
  論文  参考訳（メタデータ） (2022-11-24T03:27:00Z)

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。