基于各向异性可见性场的不确定性驱动3D高斯泼溅主动建图

Shangjie Xue, Jesse Dill, Dhruv Ahuja, Frank Dellaert, Panagiotis Tsiotras, Danfei Xu

摘要

本文提出GAVIS框架，通过引入各向异性可见性场量化3DGS的不确定性，并集成到贝叶斯网络实现实时不确定性量化。该框架在主动建图任务中显著优于现有方法，且可后验应用于提升其他方法性能。

3D Gaussian Splattinguncertainty quantificationactive mappinganisotropic visibilityBayesian network

PERCEPTION

开放获取📊 4 引用

Ji-Hoon Hwang, Daeyoung Kim, Hyung-Suk Yoon 等 5 位作者

2026

PERCEPTION

📊 0 引用

Yanrun Zhou, Zihao Lei, Guangrui Wen 等 7 位作者

Robotics and Computer-Integrated Manufacturing · 2026

PERCEPTION

📊 0 引用

Simon Duenser, Ivo Aschwanden, Raamadaas Krishnadas 等 5 位作者

Robotics and Computer-Integrated Manufacturing · 2026

PERCEPTION

📊 0 引用

Sili Ding, Feng Xu, Jie Chen 等 6 位作者

Progress in Materials Science · 2026