Bayes' Rays: Onzekerheidskwantificatie voor Neural Radiance Fields

Samenvatting

Neural Radiance Fields (NeRFs) hebben potentie getoond in toepassingen zoals viewsynthese en diepteschatting, maar het leren van multiview-beelden gaat gepaard met inherente onzekerheden. Huidige methoden om deze te kwantificeren zijn ofwel heuristisch of rekenkundig veeleisend. Wij introduceren BayesRays, een post-hoc raamwerk om onzekerheid te evalueren in elke vooraf getrainde NeRF zonder het trainingsproces aan te passen. Onze methode stelt een volumetrisch onzekerheidsveld vast met behulp van ruimtelijke verstoringen en een Bayesiaanse Laplace-benadering. We leiden ons algoritme statistisch af en tonen de superieure prestaties aan in belangrijke metrieken en toepassingen. Aanvullende resultaten zijn beschikbaar op: https://bayesrays.github.io.

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.

Bayes' Rays: Onzekerheidskwantificatie voor Neural Radiance Fields

Bayes' Rays: Uncertainty Quantification for Neural Radiance Fields

Samenvatting

Support