基于隐式神经表示的不确定性知晓体积可视化
原文中文，约400字，阅读约需1分钟。发表于：。本文解决了深度神经网络在科学可视化中缺乏预测不确定性估计的问题。提出了一种不确定性知晓的隐式神经表示方法，并结合深度集成和蒙特卡洛丢弃等技术，评估其在体积可视化任务中的有效性。研究表明，不确定性知晓模型能够生成更具信息量的可视化结果，并增强DNN模型的可信度，适用于真实世界科学体积数据的分析与可视化。
贝叶斯神经辐射场（NeRF）能够准确量化几何体积结构中的不确定性，无需额外网络，适用于挑战性观测和无控制图像。通过引入广义近似和定义与密度相关的不确定性，NeRF方法能够处理RGB和深度的不确定性。实验结果显示，贝叶斯NeRF方法在全面的数据集上显著提升了RGB和深度图像的性能。
