通过使用基于边界采样的方法和基于熵的优化过程，我们提出一种从稀疏输入中学习占据场的方法，并展示了该方法在隐式形状推断方面相对于基线方法和现有技术的有效性。

Apr, 2024

在计算机图形学、计算机视觉和摄影测量领域，神经辐射场（NeRFs）是当前研究和发展的主要课题。然而，NeRF 产生的 3D 场景重建和后续表面重建的质量主要依赖于网络输出，特别是密度。针对这一关键方面，我们提出利用提供密度不确定性估计的 NeRF-Ensembles。我们证明了数据约束，如低质量图像和姿势，会导致训练过程的退化，增加密度不确定性并降低预测密度。即使使用高质量的输入数据，密度不确定性也会因场景约束（如获取组合、遮挡和材料属性）而变化。NeRF-Ensembles 不仅提供了量化不确定性的工具，还展示了两个有希望的优势：增强的鲁棒性和伪影去除。通过使用 NeRF-Ensembles 而非单个 NeRF，可以消除小的异常值，从而获得更平滑的输出和结构的完整性改善。此外，对密度不确定性异常值应用基于百分位的阈值在后处理中被证明对去除大型（雾状）伪影是有效的。我们在三个不同的数据集上进行了我们的方法论验证：（i）合成基准数据集，（ii）真实基准数据集，（iii）在真实记录条件和传感器下的真实数据。

Dec, 2023

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

通过神经对象表示学习对象形状分布并将其映射到潜在空间，我们利用不确定性感知编码器直接从单个输入图像生成具有不确定性的潜在代码以模拟 3D 物体重建领域中的不确定性，并在贝叶斯框架下提出增量融合方法来融合多视角观测的潜在编码，从而提高 3D 对象重建的准确性。

Jun, 2023

本文提出了 DebSDF，旨在解决多视角图像室内场景中由于纹理缺乏和领域差异导致的误差问题，并通过不确定性建模、重要性引导射线采样以及有偏的密度变换等方法改进了细节重建，实验证明了其在重建室内场景中细结构方面的优越性。

Aug, 2023

提出了一种新的神经网络模型 uSF，用于形成扩展向量表示，通过评估模型的预测不确定性，实现了对三维场景的可微分重建和不确定性估计，并证明了具有不确定性功能的模型在训练样本有限的情况下表现更好。

Dec, 2023

提出三种方法以分析密集回归训练网络的输出方差，在推理过程中无需重新训练或调整模型，这些方法得出的不确定性估计结果与需要重新训练以及调整的最先进的方法相当甚至更好。

Sep, 2019

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

本研究评估了三种不确定性量化方法，即深度集成，MC-Dropout 和 MC-DropConnect 在 DarkNet21Seg 3D 语义分割模型上的影响，并全面分析了各种参数对任务性能和不确定性估计质量的影响。研究发现，深度集成的表现在性能和不确定性度量方面优于其他方法，mIOU 提高了 2.4％，准确度提高了 1.3％，并提供可靠的不确定性来做出决策。

Jul, 2020

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