論文の概要: MU-GeNeRF: Multi-view Uncertainty-guided Generalizable Neural Radiance Fields for Distractor-aware Scene

• arxiv url: http://arxiv.org/abs/2604.17965v1
• Date: Mon, 20 Apr 2026 08:46:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.773212
• Title: MU-GeNeRF: Multi-view Uncertainty-guided Generalizable Neural Radiance Fields for Distractor-aware Scene
• Title（参考訳）: MU-GeNeRF: ディトラクタ認識シーンのための多視点不確かさ誘導型一般化可能なニューラルラジアンス場
• Authors: Wenjie Mu, Zhan Li, Chuanzhou Su, Xuanyi Shen, Ziniu Liu, Fan Lu, Yujian Mo, Junqiao Zhao, Tiantian Feng, Chen Ye, Guang Chen,
• Abstract要約: 現実の環境では、過渡的なイントラクタが横断的な構造的一貫性を破り、監督を損なう。 MU-GeNeRFを提案する。 提案手法は,既存のGeNeRFを超越するだけでなく,シーン固有の乱れのないNeRFに匹敵する性能を実現する。
• 参考スコア（独自算出の注目度）: 21.95124285701901
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generalizable Neural Radiance Fields (GeNeRFs) enable high-quality scene reconstruction from sparse views and can generalize to unseen scenes. However, in real-world settings, transient distractors break cross-view structural consistency, corrupting supervision and degrading reconstruction quality. Existing distractor-free NeRF methods rely on per-scene optimization and estimate uncertainty from per-view reconstruction errors, which are not reliable for GeNeRFs and often misjudge inconsistent static structures as distractors. To this end, we propose MU-GeNeRF, a Multi-view Uncertainty-guided distractor-aware GeNeRF framework designed to alleviate GeNeRF's robust modeling challenges in the presence of transient distractions. We decompose distractor awareness into two complementary uncertainty components: Source-view Uncertainty, which captures structural discrepancies across source views caused by viewpoint changes or dynamic factors; and Target-view Uncertainty, which detects observation anomalies in the target image induced by transient distractors.These two uncertainties address distinct error sources and are combined through a heteroscedastic reconstruction loss, which guides the model to adaptively modulate supervision, enabling more robust distractor suppression and geometric modeling.Extensive experiments show that our method not only surpasses existing GeNeRFs but also achieves performance comparable to scene-specific distractor-free NeRFs.
• Abstract（参考訳）: Generalizable Neural Radiance Fields (GeNeRF)は、スパースビューから高品質なシーン再構成を可能にし、目に見えないシーンに一般化することができる。 しかし、現実の環境では、過渡的なイントラクタは、クロスビューな構造一貫性を破り、監督を破損させ、再構築品質を低下させます。 既存のイントラクタフリーなNeRF法は、GeNeRFに信頼性がなく、しばしば不整合な静的構造をイントラクタとして不整合性があるため、シーンごとの最適化とビュー毎の再構成誤差の不確実性の推定に頼っている。 MU-GeNeRFは,GeNeRFの過渡的障害発生時の頑健なモデリング課題を軽減するために設計された,多視点不確実性誘導型イントラクタ対応のGeNeRFフレームワークである。 我々は,2つの相補的不確実性成分に分解する: 視点変化や動的要因によるソースビュー間の構造的不一致をキャプチャするソースビュー不確実性,および過渡的不確実性によって誘導されるターゲット画像の観察異常を検出するターゲットビュー不確実性。

関連論文リスト

• Uncertainty-Aware 4D Gaussian Splatting for Monocular Occluded Human Rendering [20.390068289144484]
  本稿では,確率的変形ネットワークとダブルラスタライズパイプラインを統合したフレームワークであるU-4DGSを提案する。 このアーキテクチャは、適応変調器として機能する画素整列不確実性マップを描画し、信頼できない観測からアーチファクトを自動的に減衰させる。 ZJU-MoCapとOcMotionの実験は、U-4DGSがSOTAレンダリングの忠実性と堅牢性を達成することを示した。
  論文  参考訳（メタデータ） (2026-02-06T03:14:37Z)
• OPONeRF: One-Point-One NeRF for Robust Neural Rendering [70.56874833759241]
  そこで我々は,ロバストなシーンレンダリングのためのOne-Point-One NeRF (OPONeRF) フレームワークを提案する。 物体の動き、光の変化、データ汚染といった小さなが予測不可能な摂動は、現実の3Dシーンに広く存在している。 実験の結果,OPONeRFは各種評価指標において最先端のNeRFよりも優れていた。
  論文  参考訳（メタデータ） (2024-09-30T07:49:30Z)
• NeRF-HuGS: Improved Neural Radiance Fields in Non-static Scenes Using Heuristics-Guided Segmentation [76.02304140027087]
  我々は,HuGS(Huristics-Guided harmonily)という新しいパラダイムを提案する。 HuGSは、手作り合成の強さと最先端セグメンテーションモデルを組み合わせることで、過渡的イントラクタからの静的シーンの分離を大幅に強化する。 非定常場面で訓練されたNeRFの過渡的乱れを緩和する手法の優位性とロバスト性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-03-26T09:42:28Z)
• 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)
• Clean-NeRF: Reformulating NeRF to account for View-Dependent Observations [67.54358911994967]
  本稿では,複雑なシーンにおける3次元再構成と新しいビューレンダリングのためのクリーンネRFを提案する。 clean-NeRFはプラグインとして実装することができ、既存のNeRFベースのメソッドを追加入力なしですぐに利用することができる。
  論文  参考訳（メタデータ） (2023-03-26T12:24:31Z)
• Self-NeRF: A Self-Training Pipeline for Few-Shot Neural Radiance Fields [17.725937326348994]
  入力ビューの少ない放射場を反復的に洗練する自己進化型NeRFであるSelf-NeRFを提案する。 各イテレーションでは、予測された色や、前回のイテレーションからモデルが生成した歪んだピクセルで、目に見えないビューをラベル付けします。 これらの拡張された擬似ビューは、NeRFの性能を低下させる色やワープアーティファクトのインプレクションによって悩まされる。
  論文  参考訳（メタデータ） (2023-03-10T08:22:36Z)
• 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)
• Aug-NeRF: Training Stronger Neural Radiance Fields with Triple-Level Physically-Grounded Augmentations [111.08941206369508]
  我々は,NeRFトレーニングの正規化にロバストなデータ拡張のパワーを初めてもたらすAugmented NeRF(Aug-NeRF)を提案する。 提案手法では,最悪の場合の摂動を3段階のNeRFパイプラインにシームレスにブレンドする。 Aug-NeRFは、新しいビュー合成と基礎となる幾何再構成の両方において、NeRF性能を効果的に向上させる。
  論文  参考訳（メタデータ） (2022-07-04T02:27:07Z)

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。