PH-Dropout：面向视图合成的实用表观不确定性量化
计算机视觉与模式识别
2024-10-15 v2
摘要
使用神经辐射场 (NeRF) 和高斯溶射 (GS) 的视图合成在渲染真实场景方面已显示出惊人的忠实度。然而，针对视图合成的准确且高效的表观不确定性量化 (UQ) 方法尚不完善。现有的 NeRF 方法要么引入显著的计算开销 (例如，“训练时间增加 10 倍”或“重复训练 10 倍”)，要么仅限于特定不确定性条件或模型。值得注意的是，GS 模型缺乏针对综合表观 UQ 的系统方法。这一能力对于提高神经视图合成的鲁棒性和可扩展性至关重要，使其能够进行主动模型更新、误差估计和基于不确定性的可扩展集成建模。在本文中，我们从函数逼近的角度重新审视 NeRF 和 GS 方法，识别出 3D 表示学习中的关键差异和联系。基于这些见解，我们引入 PH-Dropout (后验丢弃)，这是一种首次实现的实时且准确的表观不确定性估计方法，可直接作用于预训练的 NeRF 和 GS 模型。广泛的评估验证了我们的理论发现，证明了 PH-Dropout 的有效性。
关键词
引用
@article{arxiv.2410.05468,
title = {PH-Dropout: Practical Epistemic Uncertainty Quantification for View Synthesis},
author = {Chuanhao Sun and Thanos Triantafyllou and Anthos Makris and Maja Drmač and Kai Xu and Luo Mai and Mahesh K. Marina},
journal= {arXiv preprint arXiv:2410.05468},
year = {2024}
}
备注
21 pages, in submision