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

MVG-NeRF 组合了传统的多视角几何算法和神经辐射场 (NeRF) 用于基于图像的三维重建。我们提出使用像素级深度和法线来引导 NeRF 优化，以提高所估计表面的质量。实验结果表明，该方法可以从图像中获取干净的三维网格，同时在新视角合成方面具有竞争力的表现。

Oct, 2022

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

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

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

本研究探讨了在真实场景中进行3D场景重建时的多种不确定性来源，填补了现有NeRF和3D高斯喷射技术在处理噪声、遮挡及模型精度缺失方面的空白。本文提出了一种分类法来描述这些不确定性，并扩展现有方法以纳入不确定性估计技术，显示了在进行不确定性感知的3D重建时考虑多种不确定性因素的重要性。

Sep, 2024

本研究解决了神经辐射场（NeRF）和高斯喷溅（GS）在视图合成中的不确定性量化方法的缺乏。提出的新方法PH-Dropout能够在预训练的NeRF和GS模型上实时准确地进行认知不确定性估计，显著提升了神经视图合成的鲁棒性和可扩展性。

Oct, 2024