ベイズ・レイズ：ニューラル・ラジアンス・フィールドの不確実性定量化

要旨

ニューラルラジアンスフィールド（NeRF）は、視点合成や深度推定などのアプリケーションで有望な成果を示していますが、多視点画像からの学習には本質的な不確実性が伴います。現在の不確実性を定量化する方法は、ヒューリスティックであるか、計算コストが高いかのいずれかです。本論文では、BayesRaysを紹介します。これは、学習プロセスを変更することなく、事前に学習された任意のNeRFの不確実性を評価するポストホックフレームワークです。本手法は、空間摂動とベイジアン・ラプラス近似を用いて体積不確実性フィールドを確立します。我々はアルゴリズムを統計的に導出し、主要な指標とアプリケーションにおいてその優れた性能を示します。追加の結果は、https://bayesrays.github.io でご覧いただけます。

English

Neural Radiance Fields (NeRFs) have shown promise in applications like view synthesis and depth estimation, but learning from multiview images faces inherent uncertainties. Current methods to quantify them are either heuristic or computationally demanding. We introduce BayesRays, a post-hoc framework to evaluate uncertainty in any pre-trained NeRF without modifying the training process. Our method establishes a volumetric uncertainty field using spatial perturbations and a Bayesian Laplace approximation. We derive our algorithm statistically and show its superior performance in key metrics and applications. Additional results available at: https://bayesrays.github.io.

ベイズ・レイズ：ニューラル・ラジアンス・フィールドの不確実性定量化

Bayes' Rays: Uncertainty Quantification for Neural Radiance Fields

要旨

Support