Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

BayesSDF: Surface-Based Laplacian Uncertainty Estimation for 3D Geometry with Neural Signed Distance Fields

Created by
  • Haebom

作者

Rushil Desai

概要

BayesSDFは、ニューラルネットワークベースの暗黙の3D表現における不確実性推定のための新しい確率的フレームワークです。既存のニューラルネットワーク暗黙の表面モデルが不確実性を定量化するための体系的な方法を提供しない限界を克服するために、符号化された距離関数（SDF）を利用して連続的で微分可能な表面表現を提供します。ラプラス近似をSDF重みに適用し,ヘシアンベースの指標を用いて局所幾何学的不安定性を推定する。合成および実際のデータベンチマークにおける表面再構成誤差と強い相関関係を示す不確実性推定値を実験的に実証します。その結果、BayesSDFはより強力で解釈可能で実用的な3D認識システムの基盤を築きます。

Takeaways、Limitations

•
Takeaways：
◦
ニューラルネットワークベースの暗黙の3D表現における不確実性の定量化のための新しいフレームワークの提示
◦
SDFを利用した連続的で微分可能な表面表現と効率的な不確実性推定
◦
合成および実際のデータにおける表面再構成誤差と強い相関関係を示す不確実性推定値の導出
◦
より強力で解釈可能で実用的な3D認識システムの開発可能性を提示します。
•
Limitations：
◦
論文における具体的な計算効率と拡張性に関する議論の欠如
◦
実際の応用におけるBayesSDFの性能と限界に関するさらなる分析の必要性
◦
他の不確実性推定法との比較分析の欠如
👍
Made with Slashpage