63、Conditional-Flow NeRF：实现可靠不确定性量化的精确3D建模

Conditional-Flow NeRF：实现可靠不确定性量化的精确3D建模

1. 引言

近年来，神经场因能够利用深度神经网络对复杂3D场景进行隐式表示而备受关注。在基于神经场的众多方法中，神经辐射场（NeRF）在生成3D场景的逼真视图以及解决深度估计、场景编辑和姿态预测等下游任务方面取得了令人瞩目的成果。

然而，当前基于NeRF的方法存在一个关键局限性，即无法量化与模型估计相关的不确定性。在机器人、医学诊断和自动驾驶等多个场景中，为减少潜在的灾难性故障，必须将模型输出的置信度纳入决策过程，因此这种不确定性信息至关重要。

为解决这一局限，近期的一些工作探索了将不确定性量化纳入NeRF的不同策略。其中，随机神经辐射场（S - NeRF）通过概率模型学习辐射场的简单分布，取得了当前最优的结果。但为使问题易于处理，S - NeRF对辐射场分布做出了强假设，限制了模型的表达能力，导致在处理复杂3D场景时效果不佳。

在此背景下，提出了条件流神经辐射场（CF - NeRF），这是一种新颖的概率框架，能够在不牺牲模型灵活性的前提下实现不确定性量化，从而实现有效的3D建模和可靠的不确定性估计。该方法的主要技术贡献如下：
- 使用归一化流对辐射 - 密度分布进行建模 ：与S - NeRF假设场景中的辐射和密度遵循简单分布不同，CF - NeRF使用条件归一化流以灵活且完全数据驱动的方式学习它们，能够学习任意复杂的辐射和密度分布，从而有能力对具有复杂几何形状和外观的场景进行建模。
- 对辐射场分布进行隐变量建模 ：受德菲内蒂定理的启发，CF - NeRF引入了全局隐变量，以有效地对场