論文の概要: VCURF: Virtual Camera-based Uncertainty of Radiance Fields

• arxiv url: http://arxiv.org/abs/2610.04076v1
• Date: Fri, 02 Oct 2026 21:38:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 20:24:35.25038
• Title: VCURF: Virtual Camera-based Uncertainty of Radiance Fields
• Title（参考訳）: VCURF: 仮想カメラによる放射界の不確実性
• Abstract要約: 暗黙的(NeRF)または明示的(ガウス的スプラッティング)表現で実装された放射場は、新規なビュー合成において急速に技術の現状を推し進めている。 ターゲット視点近傍でサンプリングされた仮想カメラにおける放射場モデルによるレンダリングの不整合の測定に基づく画素ワイド不確実性定量化の新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 11.932332992429524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiance fields, implemented with either implicit (NeRF) or explicit (Gaussian Splatting) representations, are advancing the state of the art in novel view synthesis at a rapid pace. Even though the rendered views they generate are often compelling, they are not free of errors. In this paper, we propose a new approach for pixel-wise uncertainty quantification based on measuring the inconsistencies among renderings by the radiance field model in virtual cameras sampled near the target viewpoint. We named our approach VCURF for Virtual Camera-based Uncertainty of Radiance Fields. VCURF treats the radiance field model as a black box, only assuming that it is capable of rendering color and depth on demand. This property makes our approach applicable to both NeRF and GS models without any modification. Our experiments on a combination of datasets, radiance field models and baselines demonstrate VCURF's effectiveness in pixel-wise uncertainty estimation. We conclude the paper with findings that question the way view selection is tackled by the majority of the current literature.
• Abstract（参考訳）: 暗黙的(NeRF)または明示的(ガウス的スプラッティング)表現で実装された放射場は、新しいビュー合成の最先端を急速に進めている。 レンダリングされたビューは、しばしば魅力的だが、エラーがないわけではない。 本稿では,ターゲット視点近傍でサンプリングされた仮想カメラにおける放射場モデルによるレンダリングの不整合の測定に基づく画素不確実性定量化の新しい手法を提案する。 我々は,仮想カメラを用いた放射場不確実性(Uncertainty of Radiance Fields)のためのVCURFという手法を考案した。 VCURFは、ラディアンスフィールドモデルをブラックボックスとして扱い、需要に応じて色と深さをレンダリングできると仮定する。 この特性は,NeRFモデルとGSモデルの両方に適用可能である。 データセット, 放射場モデル, ベースラインの組み合わせによる実験により, 画素ワイド不確実性推定におけるVCURFの有効性が示された。 本稿は、現状の文献の大半にビュー選択が取り組まれる方法に疑問を呈する調査結果で締めくくった。

関連論文リスト

• Bright-NeRF:Brightening Neural Radiance Field with Color Restoration from Low-light Raw Images [8.679462472714942]
  本稿では,低照度原画像から高輝度・高画質の放射場を教師なしで学習するBright-NeRFを提案する。 本手法は,色復元,デノナイズ,新規なビュー合成の促進を同時に実現している。
  論文  参考訳（メタデータ） (2024-12-19T05:55:18Z)
• NeRF-Casting: Improved View-Dependent Appearance with Consistent Reflections [57.63028964831785]
  最近の研究は、遠方の環境照明の詳細な明細な外観を描画するNeRFの能力を改善しているが、近い内容の一貫した反射を合成することはできない。 我々はこれらの問題をレイトレーシングに基づくアプローチで解決する。 このモデルでは、それぞれのカメラ線に沿った点における視界依存放射率を求めるために高価なニューラルネットワークをクエリする代わりに、これらの点から光を流し、NeRF表現を通して特徴ベクトルを描画します。
  論文  参考訳（メタデータ） (2024-05-23T17:59:57Z)
• RANRAC: Robust Neural Scene Representations via Random Ray Consensus [12.161889666145127]
  RANRAC(RANdom RAy Consensus)は、一貫性のないデータの影響を排除するための効率的な手法である。 我々はRANSACパラダイムのファジィ適応を定式化し、大規模モデルへの適用を可能にした。 その結果, 新規な視点合成のための最先端のロバストな手法と比較して, 顕著な改善が見られた。
  論文  参考訳（メタデータ） (2023-12-15T13:33:09Z)
• FisherRF: Active View Selection and Uncertainty Quantification for Radiance Fields using Fisher Information [29.06117204247588]
  画像を取得するコストは、最も有益な視点を効率的に選択する必要がある。 魚介類情報を活用することにより, 放射場パラメータの観測情報を直接定量化し, 候補視点を選択する。 本手法は、ビュー選択、アクティブマッピング、不確実性定量化など、複数のタスクにおける最先端結果を実現する。
  論文  参考訳（メタデータ） (2023-11-29T18:20:16Z)
• 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)
• NeRF--: Neural Radiance Fields Without Known Camera Parameters [31.01560143595185]
  本稿では、カメラのポーズや内在性のない2次元画像からの新しいビュー合成(NVS)問題に取り組む。 RGB画像のみのNeRFモデルをトレーニングするためのエンドツーエンドのフレームワーク「NeRF--」を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:52:34Z)
• NeRF++: Analyzing and Improving Neural Radiance Fields [117.73411181186088]
  ニューラル・レージアンス・フィールド(NeRF)は、様々なキャプチャ設定のための印象的なビュー合成結果を達成する。 NeRFは、ビュー不変不透明度とビュー依存カラーボリュームを表す多層パーセプトロンを一連のトレーニング画像に適合させる。 大規模3次元シーンにおける物体の360度捕獲にNeRFを適用する際のパラメトリゼーション問題に対処する。
  論文  参考訳（メタデータ） (2020-10-15T03:24:14Z)

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。