BayesSDF est un nouveau cadre probabiliste pour l'estimation de l'incertitude dans les représentations 3D implicites basées sur les réseaux de neurones. Pour surmonter les limites des modèles de surface implicites existants, qui ne fournissent pas de méthode systématique de quantification de l'incertitude, il utilise la fonction de distance signée (SDF) pour fournir une représentation de surface continue et différentiable. Nous appliquons une approximation de Laplace aux pondérations de la SDF et estimons l'instabilité géométrique locale à l'aide d'une métrique hessienne. Nous démontrons expérimentalement que les estimations d'incertitude présentent une forte corrélation avec les erreurs de reconstruction de surface sur des données synthétiques et réelles. Par conséquent, BayesSDF pose les bases de systèmes de perception 3D plus robustes, interprétables et pratiques.
