uSF：学习具有不确定性的神经语义场
计算机视觉与模式识别
2024-06-11 v2 人工智能
摘要
近年来，对 NeRF 方法的兴趣日益增加，该方法用于重建三维场景的可微表示。此类方法的主要局限性之一是无法评估模型对其预测的置信度。在本文中，我们提出了一种用于形成扩展向量表示的新神经网络模型，称为 uSF，它不仅允许模型预测每个点的颜色和语义标签，还能估计相应的不确定性值。我们表明，在可用于训练的图像数量较少的情况下，量化不确定性的模型比不具备此功能的模型表现更好。uSF 方法的代码已在 https://github.com/sevashasla/usf/ 公开发布。
引用
@article{arxiv.2312.08012,
title = {uSF: Learning Neural Semantic Field with Uncertainty},
author = {Vsevolod Skorokhodov and Darya Drozdova and Dmitry Yudin},
journal= {arXiv preprint arXiv:2312.08012},
year = {2024}
}
备注
12 pages, 4 figures. This a preprint of the Work accepted for publication in Optical Memory and Neural Networks (Information Optics), \copyright, copyright 2024, Optical Memory and Neural Networks; https://www.pleiades.online/en/journal/optmem/