Evidential Neural Radiance Fields

📄 arXiv: 2602.23574v1 📥 PDF

作者: Ruxiao Duan, Alex Wong

分类: cs.CV, cs.AI, cs.LG

发布日期: 2026-02-27

💡 一句话要点

提出Evidential NeRF，在NeRF中实现高质量场景重建和不确定性量化。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 神经辐射场 不确定性量化 证据理论 三维重建 新视角合成

📋 核心要点

  1. 现有NeRF方法缺乏有效的不确定性量化，限制了其在安全关键领域的应用，且难以同时捕捉偶然和认知不确定性。
  2. Evidential NeRF通过概率方法，将不确定性量化无缝集成到NeRF渲染过程中，实现单次前向传播即可估计两种不确定性。
  3. 实验表明，Evidential NeRF在场景重建保真度和不确定性估计质量上均达到了最先进水平，优于现有方法。

📝 摘要（中文）

理解不确定性的来源对于可信的三维场景建模至关重要。虽然最近神经辐射场（NeRFs）在场景重建和新视角合成方面取得了显著的准确性，但缺乏不确定性估计严重限制了它们在安全关键环境中的部署。现有的NeRF不确定性量化方法未能同时捕捉偶然不确定性和认知不确定性。即使那些量化其中一种不确定性的方法，也往往会牺牲渲染质量或产生显著的计算开销来获得不确定性估计。为了解决这些问题，我们引入了Evidential Neural Radiance Fields，这是一种概率方法，可以无缝地与NeRF渲染过程集成，并能够从单个前向传递中直接量化偶然不确定性和认知不确定性。我们在三个标准化基准上比较了多种不确定性量化方法，我们的方法展示了最先进的场景重建保真度和不确定性估计质量。

🔬 方法详解

问题定义：现有的NeRF方法在不确定性量化方面存在不足，无法同时准确地估计偶然不确定性（aleatoric uncertainty，数据本身的噪声）和认知不确定性（epistemic uncertainty，模型对自身预测的不确定性）。一些方法虽然可以量化其中一种，但往往会牺牲渲染质量或引入大量的计算开销。因此，需要一种高效且准确的不确定性量化方法，以提高NeRF在安全关键场景中的可靠性。

核心思路：Evidential NeRF的核心思路是将NeRF的输出视为一个证据分布（evidential distribution），通过该分布的参数来同时表示颜色、密度以及两种不确定性。这种方法允许模型学习数据中的不确定性，并将其整合到渲染过程中，从而在不牺牲渲染质量的前提下，实现高效的不确定性量化。

技术框架：Evidential NeRF的整体框架与标准的NeRF类似，包括一个MLP网络，用于预测给定位置和视角方向的颜色和密度。不同之处在于，Evidential NeRF的输出不是直接的颜色和密度值，而是证据分布的参数。这些参数用于计算颜色、密度以及对应的偶然不确定性和认知不确定性。渲染过程与NeRF类似，通过沿着光线积分来合成最终的图像。

关键创新：Evidential NeRF最重要的创新点在于使用证据理论（Evidential Theory）来建模NeRF的输出。通过将颜色和密度建模为证据分布的参数，模型可以学习数据中的不确定性，并将其显式地表示出来。这种方法避免了传统方法中需要额外网络或计算来估计不确定性的问题，从而提高了效率。

关键设计：Evidential NeRF的关键设计包括选择合适的证据分布类型（例如，Dirichlet分布或Normal-Gamma分布），以及设计合适的损失函数来训练模型。损失函数通常包括一个重建损失（例如，MSE损失）和一个正则化项，用于约束证据分布的参数，从而避免过拟合和提高不确定性估计的准确性。此外，网络结构和采样策略也需要进行调整，以适应证据分布的建模方式。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Evidential NeRF在场景重建保真度和不确定性估计质量上均优于现有的NeRF方法。在三个标准化基准上，Evidential NeRF实现了最先进的性能，并且能够同时准确地估计偶然不确定性和认知不确定性。与需要额外计算开销的方法相比，Evidential NeRF在不牺牲渲染质量的前提下，实现了高效的不确定性量化。

🎯 应用场景

Evidential NeRF在自动驾驶、机器人导航、医疗影像等安全关键领域具有广泛的应用前景。通过提供可靠的不确定性估计，可以帮助系统更好地理解场景，并做出更安全、更可靠的决策。例如，在自动驾驶中，可以利用不确定性估计来识别未知的障碍物或环境变化，从而避免潜在的事故。在医疗影像中，可以利用不确定性估计来评估诊断结果的可靠性，从而提高诊断的准确性。

📄 摘要（原文）

Understanding sources of uncertainty is fundamental to trustworthy three-dimensional scene modeling. While recent advances in neural radiance fields (NeRFs) achieve impressive accuracy in scene reconstruction and novel view synthesis, the lack of uncertainty estimation significantly limits their deployment in safety-critical settings. Existing uncertainty quantification methods for NeRFs fail to capture both aleatoric and epistemic uncertainty. Among those that do quantify one or the other, many of them either compromise rendering quality or incur significant computational overhead to obtain uncertainty estimates. To address these issues, we introduce Evidential Neural Radiance Fields, a probabilistic approach that seamlessly integrates with the NeRF rendering process and enables direct quantification of both aleatoric and epistemic uncertainty from a single forward pass. We compare multiple uncertainty quantification methods on three standardized benchmarks, where our approach demonstrates state-of-the-art scene reconstruction fidelity and uncertainty estimation quality.