高斯点插值的不确定性建模
原文约500字/词，阅读约需1分钟。发表于：。我们提出了使用随机高斯扩散（SGS）的不确定性估计框架，该框架将不确定性预测与高斯扩散的常见渲染流程无缝集成，同时引入了稀疏误差下的面积（AUSE）作为损失函数的新项，实现了图像重建和不确定性估计的优化。实验结果表明，我们的方法在图像渲染质量和不确定性估计精度方面优于现有方法。总体而言，我们的框架为从事合成视图的个体提供了有关可靠性的有价值的信息，从而在现实世界的应用中促进了更安全的决策。
近年来，神经网络的图像渲染方法得到了广泛研究。NeRF模型合成逼真视图，但训练和推理时间长。GS是快速训练和实时渲染的新技术，通过高斯分布近似渲染点对图像像素的贡献。GaMeS模型结合网格和高斯分布，自动调整位置、比例和旋转。学习过程中可调整初始网格。
