Bayesian NeRF：基于体密度量化神经隐式场的不确定性
计算机视觉与模式识别
2025-01-03 v2
摘要
我们提出了一种 Bayesian Neural Radiance Field (NeRF)，它通过对占据情况的不确定性进行建模，显式地量化了体密度中的不确定性，而无需额外的网络，这使其特别适用于具有挑战性的观测和不受控的图像环境。NeRF 通过从不同视角在三维空间中渲染颜色和密度，提供丰富的场景表示，从而有别于传统的几何方法。然而，NeRF 仅通过几何结构信息来解决不确定性时存在局限性，导致在解释真实世界观测不足的场景时产生不准确的结果。以往的努力依赖于辅助网络，而我们提出了一系列对 NeRF 的公式扩展，能够在无需额外网络的情况下管理密度、颜色与密度以及占据情况的不确定性。在实验中，我们展示了我们的方法在综合数据集上显著提升了 RGB 和深度图像的性能。鉴于不确定性建模与同步定位与建图（SLAM）内在的不确定环境高度契合，我们将该方法应用于 SLAM 系统，并观察到建图和跟踪性能的显著改善。这些结果证实了我们的 Bayesian NeRF 方法在基于几何结构量化不确定性方面的有效性，使其成为应对具有挑战性的真实世界场景的鲁棒解决方案。
引用
@article{arxiv.2404.06727,
title = {Bayesian NeRF: Quantifying Uncertainty with Volume Density for Neural Implicit Fields},
author = {Sibeak Lee and Kyeongsu Kang and Seongbo Ha and Hyeonwoo Yu},
journal= {arXiv preprint arXiv:2404.06727},
year = {2025}
}