PRIMU：基于原始值的高斯溅写法新视角不确定性估计
图形学
2025-12-03 v2 计算机视觉与模式识别
摘要
我们提出了基于原始值的不确定性估计（UE）框架 PRIMU，适用于高斯溅写法（GS）。可靠的 UE 对在安全关键领域（如机器人和医学）部署 GS 至关重要。现有方法通常估计高斯原始值的方差，并依赖渲染过程获取像素级不确定性。相反，我们从训练视角构建原始级别的误差和可见性/覆盖率表示，捕获可解释的不确定性信息。这些表示通过将视角相关的训练误差和覆盖率统计信息投影到原始值上获得。通过渲染这些原始级别表示来推断新视角的不确定性，生成不确定性特征图，并通过 holdout 数据上的像素级回归进行聚合。我们分析不确定性特征图与回归模型的组合，了解其相互作用如何影响预测准确性和泛化。PRIMU 还可通过直接利用这些不确定性特征图实现有效的主动视角选择策略。此外，我们研究将溅写分为前景和背景区域的效果。我们的估计与真实误差呈强相关，尤其在深度 UE 和前景对象方面优于现有方法。最后，我们的回归模型显示出对未见场景的泛化能力，实现无需额外 holdout 数据的 UE。
引用
@article{arxiv.2508.02443,
title = {PRIMU: Uncertainty Estimation for Novel Views in Gaussian Splatting from Primitive-Based Representations of Error and Coverage},
author = {Thomas Gottwald and Edgar Heinert and Peter Stehr and Chamuditha Jayanga Galappaththige and Matthias Rottmann},
journal= {arXiv preprint arXiv:2508.02443},
year = {2025}
}
备注
Revised writing and figures; additional Gaussian Splatting experiments; added baselines and datasets; active view-selection experiments