Conditional-Flow NeRF：具备可靠不确定性量化的精确三维建模
计算机视觉与模式识别
2022-03-22 v1
摘要
当前基于神经辐射场（NeRF）的方法的一个关键局限在于，它们无法量化与所学场景外观和几何相关的不确定性。该信息在医疗诊断或自动驾驶等真实应用中至关重要，因为为减少潜在的灾难性故障，决策过程必须纳入对模型输出的置信度。在此背景下，我们提出 Conditional-Flow NeRF（CF-NeRF），一种将不确定性量化引入基于 NeRF 方法的新概率框架。为此，我们的方法学习所有可能辐射场建模上的分布，用以量化所建场景的不确定性。与先前对辐射场分布施加强约束的方法不同，CF-NeRF 通过耦合潜变量建模（Latent Variable Modelling）与条件归一化流（Conditional Normalizing Flows），以灵活且完全数据驱动的方式学习该分布。该策略在保持模型表达力的同时获得了可靠的不确定性估计。与先前提出的 NeRF 不确定性量化最优方法相比，我们的实验表明，所提方法在合成新视角与深度图估计上取得了显著更低的预测误差与更可靠的不确定性值。
引用
@article{arxiv.2203.10192,
title = {Conditional-Flow NeRF: Accurate 3D Modelling with Reliable Uncertainty Quantification},
author = {Jianxiong Shen and Antonio Agudo and Francesc Moreno-Noguer and Adria Ruiz},
journal= {arXiv preprint arXiv:2203.10192},
year = {2022}
}