BayesSDF는 신경망 기반 암묵적 3D 표현, 특히 부호화된 거리 함수(SDF)를 사용하는 모델에서의 불확실성 정량화를 위한 새로운 확률적 프레임워크입니다. 기존 방법들이 계산 비효율성, 확장성 문제, 기하학적 불일치로 인해 직접적인 기하학적 통합을 간과하는 것과 달리, BayesSDF는 라플라스 근사를 활용하여 헤시안 기반 메트릭을 이용한 국소 표면 불안정성을 정량화함으로써 효율적이고 표면 인식 불확실성 추정을 가능하게 합니다. 특히 3D 환경(예: 숲)에서의 유체 흐름 모델링과 같이 정확한 표면 기하학과 신뢰할 수 있는 불확실성 추정이 필수적인 과학적 시뮬레이션 애플리케이션에 동기를 부여받았습니다. 합성 및 실제 데이터셋에 대한 광범위한 평가를 통해 BayesSDF가 보정 및 기하학적 일관성 측면에서 기존 방법보다 우수하다는 것을 보여줍니다.
