베이즈 광선: 신경 방사 필드를 위한 불확실성 정량화

초록

뉴럴 레이디언스 필드(NeRF)는 뷰 합성(view synthesis)과 깊이 추정(depth estimation)과 같은 응용 분야에서 유망한 성과를 보여주고 있지만, 다중 뷰 이미지로부터 학습하는 과정에는 본질적인 불확실성이 존재합니다. 현재 이러한 불확실성을 정량화하는 방법들은 경험적이거나 계산적으로 부담이 큰 경우가 많습니다. 본 논문에서는 학습 과정을 수정하지 않고도 사전 학습된 NeRF의 불확실성을 평가할 수 있는 사후 처리(post-hoc) 프레임워크인 BayesRays를 소개합니다. 우리의 방법은 공간적 섭동(spatial perturbations)과 베이지안 라플라스 근사(Bayesian Laplace approximation)를 사용하여 체적 불확실성 필드(volumetric uncertainty field)를 구축합니다. 우리는 알고리즘을 통계적으로 유도하고, 주요 지표와 응용 분야에서 우수한 성능을 보임을 입증합니다. 추가 결과는 https://bayesrays.github.io에서 확인할 수 있습니다.

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.

베이즈 광선: 신경 방사 필드를 위한 불확실성 정량화

Bayes' Rays: Uncertainty Quantification for Neural Radiance Fields

초록

Support