BayesSDF es un novedoso marco probabilístico para la estimación de la incertidumbre en representaciones tridimensionales implícitas basadas en redes neuronales. Para superar las limitaciones de los modelos de superficie implícitos de redes neuronales existentes, que no ofrecen un método sistemático para cuantificar la incertidumbre, utiliza la Función de Distancia con Signo (FDS) para proporcionar una representación de superficie continua y diferenciable. Aplicamos una aproximación de Laplace a los pesos de la FDS y estimamos la inestabilidad geométrica local mediante una métrica basada en el hessiano. Demostramos experimentalmente que las estimaciones de incertidumbre presentan una fuerte correlación con los errores de reconstrucción de superficies en datos sintéticos y reales. En consecuencia, BayesSDF sienta las bases para sistemas de percepción tridimensional más robustos, interpretables y prácticos.
