Unsicherheitsmodellierung für feinabgestimmte implizite Funktionen

Implizite Funktionen wie Neural Radiance Fields (NeRFs), Besetzungsnetzwerke und signierte Distanzfunktionen (SDFs) sind für die Computer Vision entscheidend geworden, um detaillierte Objektformen aus spärlichen Ansichten zu rekonstruieren. Eine optimale Leistung mit diesen Modellen zu erzielen, kann aufgrund der extremen Sparsamkeit der Eingaben und der Verteilung Verschiebungen, die durch Datenkorruptionen induziert werden, herausfordernd sein. Zu diesem Zweck können große, rauschfreie synthetische Datensätze als Formprioren dienen, um Modellen zu helfen, Lücken zu schließen, aber die resultierenden Rekonstruktionen müssen mit Vorsicht betrachtet werden. Die Schätzung der Unsicherheit ist entscheidend, um die Qualität dieser Rekonstruktionen zu bewerten, insbesondere um Bereiche zu identifizieren, in denen das Modell unsicher ist über die Teile, die es aus dem Prior abgeleitet hat. In diesem Papier stellen wir Dropsembles vor, eine neuartige Methode zur Schätzung der Unsicherheit in abgestimmten impliziten Funktionen. Wir demonstrieren die Wirksamkeit unseres Ansatzes durch eine Reihe von Experimenten, beginnend mit Spielbeispielen und fortschreitend zu einem realen Szenario. Insbesondere trainieren wir ein Convolutional Occupancy Network auf synthetischen anatomischen Daten und testen es an niedrig aufgelösten MRT-Segmentierungen der Lendenwirbelsäule. Unsere Ergebnisse zeigen, dass Dropsembles die Genauigkeit und Kalibrierungsniveaus von tiefen Ensembles erreichen, jedoch mit erheblich geringerem Rechenaufwand.