基于流形抽样的可微不确定性辐射场
计算机视觉与模式识别
2024-09-20 v1 图形学
摘要
辐射场是表示复杂场景外观的强大且流行的模型。然而，基于图像观察构建它们会导致歧义和不确定性。我们提出一种通用方法，用于学习具有显式且细粒度不确定性估计的高斯辐射场，这些估计仅需比不确定性无关训练略增加成本。我们的关键观察是，不确定性可建模为辐射场参数空间中低维流形，且高度适合蒙特卡洛抽样。重要的是，我们的不确定性是可微的，从而允许对后续捕获进行基于梯度的优化，以最佳方式减少歧义。我们在下一最佳视角规划任务上Demonstrate了 state-of-the-art performance，包括高维照明规划以实现最佳辐射场 relighting 质量。
引用
@article{arxiv.2409.12661,
title = {Manifold Sampling for Differentiable Uncertainty in Radiance Fields},
author = {Linjie Lyu and Ayush Tewari and Marc Habermann and Shunsuke Saito and Michael Zollhöfer and Thomas Leimkühler and Christian Theobalt},
journal= {arXiv preprint arXiv:2409.12661},
year = {2024}
}
备注
Siggraph Asia 2024 conference