MU-GeNeRF: ध्यान भटकाने वाले दृश्य के लिए बहु-दृश्य अनिश्चितता-निर्देशित सामान्यीकृत तंत्रिका रेडियंस फ़ील्ड

arXiv:2604.17965v1 घोषणा प्रकार: नया सार: सामान्यीकरण योग्य न्यूरल रेडियंस फ़ील्ड्स (GeNeRFs) विरल दृश्यों से उच्च गुणवत्ता वाले दृश्य पुनर्निर्माण को सक्षम करते हैं और अनदेखे दृश्यों को सामान्यीकृत कर सकते हैं। हालाँकि, वास्तविक दुनिया की सेटिंग्स में, क्षणिक ध्यान भटकाने वाले कारक क्रॉस-व्यू संरचनात्मक स्थिरता को तोड़ते हैं, पर्यवेक्षण को भ्रष्ट करते हैं और पुनर्निर्माण की गुणवत्ता को ख़राब करते हैं। मौजूदा डिस्ट्रेक्टर-मुक्त एनईआरएफ विधियां प्रति-दृश्य अनुकूलन पर निर्भर करती हैं और प्रति-व्यू पुनर्निर्माण त्रुटियों से अनिश्चितता का अनुमान लगाती हैं, जो GeNeRFs के लिए विश्वसनीय नहीं हैं और अक्सर असंगत स्थैतिक संरचनाओं को डिस्ट्रेक्टर के रूप में गलत आंकते हैं। इस उद्देश्य के लिए, हम MU-GeNeRF का प्रस्ताव करते हैं, जो एक मल्टी-व्यू अनिश्चितता-निर्देशित डिस्ट्रेक्टर-जागरूक GeNeRF फ्रेमवर्क है जिसे क्षणिक विकर्षणों की उपस्थिति में GeNeRF की मजबूत मॉडलिंग चुनौतियों को कम करने के लिए डिज़ाइन किया गया है। हम ध्यान भटकाने वाली जागरूकता को दो पूरक अनिश्चितता घटकों में विघटित करते हैं: स्रोत-दृश्य अनिश्चितता, जो दृष्टिकोण परिवर्तन या गतिशील कारकों के कारण स्रोत विचारों में संरचनात्मक विसंगतियों को पकड़ती है; और लक्ष्य-दृश्य अनिश्चितता, जो क्षणिक विकर्षणों से प्रेरित लक्ष्य छवि में अवलोकन विसंगतियों का पता लगाती है। ये दो अनिश्चितताएं अलग-अलग त्रुटि स्रोतों को संबोधित करती हैं और एक हेटेरोसेडास्टिक पुनर्निर्माण हानि के माध्यम से संयुक्त होती हैं, जो मॉडल को अनुकूली रूप से पर्यवेक्षण को नियंत्रित करने के लिए मार्गदर्शन करती है, जिससे अधिक मजबूत डिस्ट्रेक्टर दमन और ज्यामितीय मॉडलिंग सक्षम हो जाती है। व्यापक प्रयोगों से पता चलता है कि हमारी विधि न केवल मौजूदा GeNeRFs से आगे निकल जाती है, बल्कि दृश्य-विशिष्ट डिस्ट्रेक्टर-मुक्त NeRFs के बराबर प्रदर्शन भी प्राप्त करती है।