우리는 체적 밀도에 대한 불확실성을 점유(occupancy)에 대한 불확실성을 모델링함으로써 명시적으로 정량화하는 베이지안 신경 방사선장(Bayesian Neural Radiance Field, NeRF)을 제시한다. 이는 추가 네트워크가 필요 없이 수행되며, 특히 어려운 관측과 통제되지 않은 이미지 환경에 적합하다. NeRF는 다양한 시점에서 3차원 공간의 색(color)과 밀도(density)를 렌더링함으로써 장면 표현을 풍부하게 제공한다는 점에서 기존의 전통적 기하학적 방법과 구별된다. 그러나 NeRF는 불확실성을 오직 기하학적 구조 정보만으로 해결하는 데 한계가 있어, 현실 세계의 관측이 충분하지 않은 장면을 해석할 때 부정확성이 발생한다. 기존의 선행 연구는 보조 네트워크에 의존해 왔으나, 우리는 추가 네트워크 없이도 밀도, 색과 밀도, 그리고 점유에 대한 불확실성을 관리하는 NeRF의 일련의 정식화(formulation) 확장을 제안한다. 실험에서, 우리는 포괄적 데이터셋(comprehensive dataset)에서 RGB 및 깊이(depth) 이미지에 대한 성능이 유의미하게 향상됨을 보여준다. 불확실성 모델링이 동시적 위치추정 및 지도작성(Simultaneous Localization and Mapping, SLAM)에서 본질적으로 불확실한 환경과 잘 부합한다는 점을 고려하여, 우리는 우리의 접근법을 SLAM 시스템에 적용하였고 지도작성과 추적 성능에서 주목할 만한 개선을 관찰하였다. 이러한 결과는 기하학적 구조를 기반으로 불확실성을 정량화하는 데 있어 우리의 베이지안 NeRF 접근법이 효과적임을 확인하며, 어려운 현실 세계 시나리오에 대한 견고한 해결책이 됨을 시사한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.