Neural Visibility Field for Uncertainty-Driven Active Mapping

本文提出了神经可见性场（NVF），这是一种新颖的神经辐射场（NeRF）不确定性量化方法，应用于主动建图。我们的关键见解是，在训练视图中不可见的区域会导致NeRF在该区域的颜色预测本质上不可靠，从而增加了合成视图中的不确定性。为了解决这个问题，我们建议使用贝叶斯网络将基于位置的场不确定性合成为基于射线的相机观察不确定性。因此，NVF自然地将更高的不确定性分配给未观察到的区域，帮助机器人选择最具信息量的下一个视点。广泛的评估表明，NVF在不确定性量化和场景重建方面表现出色，优于现有方法。

本论文旨在解决神经辐射场（NeRF）在活动建图中存在的不确定性问题，即训练视图中未被观察到的区域会导致NeRF的颜色预测不可靠，从而在合成视图中增加不确定性。

本文提出了一种名为神经可见性场（NVF）的新颖不确定性量化方法，通过贝叶斯网络将基于位置的场不确定性组合到基于射线的相机观察不确定性中，从而自然地将更高的不确定性分配给未观察到的区域。

本文的实验表明，NVF在不确定性量化和场景重建方面表现优异，胜过现有方法。论文提供了开源代码，并在多个数据集上进行了广泛的评估。此外，NVF还可以帮助机器人选择最具信息量的下一个视角。

在这个领域中，最近的相关研究包括《NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis》和《NeRF++: Analyzing and Improving Neural Radiance Fields》。