UfM*：基於高斯分佈的運動不確定性用於深度神經網絡深度估計

在安全關鍵的機器人系統中，單目深度深度神經網絡（DNN）的部署需要可靠的不確定性估計。傳統方法如集成學習和基於採樣的方式每張圖像需多次推理，導致巨大的計算和內存開銷，且單幀預測無法捕捉跨視角的不一致性。針對這一挑戰，來自Soumya Sudhakar等研究團隊提出了UfM*（Uncertainty from Motion*），一種基於運動的不確定性估計算法。該算法通過緊湊高斯混合模型比較前後幀，僅需單次DNN推理即可高效衡量多視角不一致性。相比早期利用點雲的方法，高斯表示不僅在計算和內存上更高效，還能更好地測量三維空間區域的不一致性，從而提升不確定性估計的質量。實驗表明，UfM*與偶然不確定性結合後，在100個分佈外ScanNet序列上，預期校準誤差比集成方法改善24-28%，而能耗僅為後者的3%，內存佔用僅0.02%。具體而言，集成方法需要多次推理，而UfM*只需一次，計算成本大幅降低。此外，在配備Arm Cortex-A76 CPU的小型能量受限機器人上，UfM*對224x224圖像僅消耗63 mJ，即可實現30 FPS的實時運行。這充分證明，利用高斯分佈衡量多視角不一致性為資源受限的機器人系統提供了高效且實用的不確定性估計方案。論文全文長達18頁，包含15張圖表，詳細闡述了算法設計、理論分析和實驗結果，並於2026年5月21日提交至arXiv，編號2605.23098，現可在該平台獲取。