估计 3D 不确定域：量化神经辐射场的不确定性
提出了 Stochastic Neural Radiance Fields (S-NeRF) 作为一种泛化标准 NeRF 的方法，在机器学习中使用贝叶斯学习框架进行优化，得出可以量化与模型估计相关的不确定性的概率分布，为场景信息提供了更可靠的预测和置信度值。
Sep, 2021
我们介绍了 BayesRays，一个后处理框架，用于评估任何预训练的 NeRF 模型中的不确定性，通过使用空间扰动和贝叶斯拉普拉斯近似建立体积不确定场，我们通过统计推导证明了该算法在关键指标和应用方面的优越性能。
Sep, 2023
我们提出了贝叶斯神经辐射场（NeRF），它能够在几何体积结构中明确量化不确定性，无需额外网络，使其适用于具有挑战性的观测和无控制的图像。NeRF 通过丰富的场景表示来区别于传统的几何方法，在三维空间中从不同视角呈现颜色和密度。然而，NeRF 在使用几何结构信息放松不确定性方面遇到限制，导致在不充分的真实观测下的解释不准确。为了从根本上解决这个问题，我们提出了一系列公式扩展 NeRF 的方法。通过引入广义近似和定义与密度相关的不确定性，我们的方法不仅无需额外网络或经验假设，还能无缝扩展来处理 RGB 和深度的不确定性。实验结果显示，我们的方法在全面的数据集上显著提升了 RGB 和深度图像的性能，展示了基于几何结构定量化不确定性的贝叶斯 NeRF 方法的可靠性。
Apr, 2024
本文提出了一种使用神经辐射场（NeRF）生成训练样本的场景坐标回归（SCR）方法，并且通过设计 NeRF 来预测渲染数据的不确定性，在像素级别揭示数据的可靠性；将 SCR 公式化为带有认识不确定性的深度证据学习，用来评估信息获取与场景坐标质量；基于不确定性的三个方面，形成了一种新的视角选择策略，极大地提高了数据效率。实验结果表明，我们的方法能够选择带来最大信息增益的样本，并以最高效率提高性能。
Oct, 2023
通过利用 Fisher 信息，本研究提出了一种在没有地面真实数据的情况下，有效地量化 Radiance Fields 中的观察信息，用于最佳视角选择和像素级的不确定性量化，克服了现有模型架构和有效性方面的限制，在视角选择和不确定性量化方面取得了最先进的结果，并展示了推动 Radiance Fields 领域发展的潜力。
Nov, 2023
通过引入一种基于鲁棒而高效的指标的方法，从预测后验分布中计算每个像素的不确定性；我们提出了两种消除需保留数据需求的技术，并提出了一种新颖的元校准器，只需要训练一个 NeRF 模型。从而在稀疏视图设置中获得了最新的不确定性，同时保持图像质量。我们在视图增强和最佳视图选择等应用中展示了我们方法的有效性。
Dec, 2023
本研究提出了一种新学习框架，ActiveNeRF，通过利用不确定性估计和主动学习策略来提高 NeRF 模型在少量样本下的泛化性能，从而实现在资源受限的情况下从 2D 图像集中构建 3D 场景以及生成新视角的重建。
Sep, 2022
本文提出神经显性场（NVF），这是一种用于应用于主动映射的神经辐射场（NeRF）的新型不确定性量化方法。通过使用贝叶斯网络将基于位置的场不确定性组合到基于光线的相机观测不确定性中，NVF 自然地将更高的不确定性分配给未观察到的区域，帮助机器人选择最具信息量的下一个视点。大量的评估结果表明，NVF 在不确定性量化和场景重建方面表现出色，优于现有方法。
Jun, 2024
提出了一种名为 ActiveNeuS 的方法，该方法在选择视图时考虑了不确定性，通过同时计算图像渲染不确定性和神经隐式曲面不确定性，避免了稀疏输入训练阶段引入的偏差，通过使用曲面信息和格点高效地选择多样的视点，提升了 3D 场景重建的性能。
May, 2024
该论文提出了一种更适应性的方法来减少神经辐射场中的形状 - 辐射模糊问题。关键在于只基于密度场进行渲染的方法，通过估计基于密度场和姿态图像的颜色场并应用于规范化神经辐射场的密度场，从而改善了神经辐射场的密度场质量和数量。
Dec, 2023