복잡한 표현이 항상 유리하지는 않다
영상이 적으면 표현력이 큰 모델이 잘못된 형상으로 입력 사진에 맞춰질 수 있다. SimpleNeRF는 위치 인코딩과 시점 의존 외관을 조절한 단순한 보조 모델을 활용한다. 단순함이 모든 영역의 정답을 보장하는 대신 학습을 돕는 다른 가정을 제공한다.
깊이를 고르는 이유
보조 모델도 일부 영역에서는 틀릴 수 있으므로 그 깊이를 모두 정답으로 사용하지 않는다. 신뢰할 수 있는 추정을 고르는 장치가 필요하다. 여러 추정이 비슷한 값이라는 사실만으로 실제 깊이와 같다고 단정할 수 없다는 점도 구분한다.
오차의 독립 예제
목표 깊이를 3으로 주고 주 모델의 추정이 5라면 제곱 오차는 4다. 하지만 실제 깊이가 8이라면 그 목표를 따르는 것이 정확도를 해칠 수 있다. 이는 보조 깊이의 신뢰도가 중요한 이유를 설명하는 예이며 실제 선택 규칙을 나타내지는 않는다.
계층 표본의 일관성
거친 모델과 세밀한 모델 사이에도 일관성 손실을 두어 계층적 표본 추출을 활용한다. 평가에서는 추가 보조 모델의 학습 비용과 새 시점 화질을 함께 살펴본다. 외부에서 얻은 실제 깊이 측정과 함께 학습한 모델의 추정 깊이는 서로 다른 종류의 정보다.