FG-NeRF：基于 Flow-GAN 的概率神经辐射场用于无独立性假设的不确定性估计
计算机视觉与模式识别
2023-10-05 v2
摘要
具有随机性的神经辐射场通过能够对合理辐射场进行采样并为下游任务量化不确定性而引起了显著兴趣。现有工作依赖于辐射场中点或输入视图中像素的独立性假设，以获得概率密度函数的易处理形式。然而，在处理复杂几何与纹理时，该假设不经意间影响了性能。在本工作中，我们提出了一种基于 Flow-GAN 的无独立性假设概率神经辐射场。通过结合对抗学习的生成能力与归一化流的强大表达能力，我们的方法显式建模整个场景的密度-辐射分布。我们将概率 NeRF 表示为均值偏移的概率残差神经模型。我们的模型在无显式似然函数下训练，从而避免了独立性假设。具体而言，我们以不同步幅和中心对训练图像进行下采样，形成固定尺寸块，用于基于块的对抗学习训练生成器。通过大量实验，我们的方法在合成与真实世界数据集上以更低的渲染误差和更可靠的不确定性预测展现出最先进的性能。
引用
@article{arxiv.2309.16364,
title = {FG-NeRF: Flow-GAN based Probabilistic Neural Radiance Field for Independence-Assumption-Free Uncertainty Estimation},
author = {Songlin Wei and Jiazhao Zhang and Yang Wang and Fanbo Xiang and Hao Su and He Wang},
journal= {arXiv preprint arXiv:2309.16364},
year = {2023}
}