PNeRF：面向不确定3D视觉映射的概率神经场景表示

近来，神经场景表示在视觉化表示3D场景方面取得了令人印象极为深刻的结果，然而其研究与进展主要局限于计算机图形学中虚拟模型的视觉化或计算机视觉中的场景重建，而未显式考虑传感器与位姿不确定性。不过，在机器人应用中使用这种新颖的场景表示，将需要在神经地图中考虑该不确定性。因此，本文旨在提出一种利用不确定训练数据训练{\em 概率神经场景表示}的新方法，以使这些表示能够纳入机器人应用。使用相机或深度传感器获取图像包含固有不确定性，此外，用于学习3D模型的相机位姿亦不完美。若这些测量值在未考虑其不确定性的情况下用于训练，则所得模型非最优，且场景表示很可能包含模糊与几何不匀等伪影。本工作中，通过以概率方式关注不确定信息下的训练，研究了将不确定性整合至学习过程的问题。所提方法显式地将一项不确定性项增补至训练似然，使得网络所学概率分布相对于训练不确定性被最小化。我们将展示这带来了更精确的图像渲染质量，以及更精准且一致的几何结构。已在合成与真实数据集上完成验证，表明所提方法优于SOTA方法。结果尤其表明，即便训练数据有限，所提方法亦能渲染出新颖的高质量视角。