단일 이미지에서 표면 법선 추정은 3차원 장면 이해에서 중요한 작업입니다. 본 논문에서는 기존 방법들이 공유하는 두 가지 제한 사항을 다룹니다: 확률적 불확실성의 추정 불가능성과 예측의 세부 정보 부족입니다. 제안된 네트워크는 픽셀별 표면 법선 확률 분포를 추정합니다. 우리는 이 분포에 대한 새로운 매개변수화 방법을 소개하여, 그 음의 로그尤似度(likelihood)가 학습된 감쇠와 함께 각도 손실이 되도록 합니다. 그런 다음 각도 오류의 기대값을 확률적 불확실성의 측정 지표로 사용합니다. 또한, 추정된 불확실성을 기반으로 샘플링된 픽셀 부분 집합에서 픽셀 단위로 다층 퍼셉트론(Multi-Layer Perceptron, MLP)을 훈련시키는 새로운 디코더 프레임워크를 제시합니다. 제안된 불확실성 안내 샘플링은 큰 평면 표면으로의 훈련 편향을 방지하고, 특히 객체 경계 근처와 작은 구조물에서 예측의 품질을 개선합니다. 실험 결과는 제안된 방법이 ScanNet과 NYUv2에서 최신 연구보다 우수하며, 추정된 불확실성이 예측 오류와 잘 상관됨을 보여줍니다. 코드는 https://github.com/baegwangbin/surface_normal_uncertainty 에서 제공됩니다.注：在“로그尤似度”中，“尤似度”不是正确的韩语词汇。正确的翻译应该是“로그 가능도”。以下是修正后的版本：단일 이미지에서 표면 법선 추정은 3차원 장면 이해에서 중요한 작업입니다. 본 논문에서는 기존 방법들이 공유하는 두 가지 제한 사항을 다룹니다: 확률적 불확실성의 추정 불가능성과 예측의 세부 정보 부족입니다. 제안된 네트워크는 픽셀별 표면 법선 확률 분포를 추정합니다. 우리는 이 분포에 대한 새로운 매개변수화 방법을 소개하여, 그 음의 로그 가능도가 학습된 감쇠와 함께 각도 손실이 되도록 합니다. 그런 다음 각도 오류의 기대값을 확률적 불확실성의 측정 지표로 사용합니다. 또한, 추정된 불확실성을 기반으로 샘플링된 픽셀 부분 집합에서 픽셀 단위로 다층 퍼셉트론(Multi-Layer Perceptron, MLP)을 훈련시키는 새로운 디코더 프레임워크를 제시합니다. 제안된 불확실성 안내 샘플링은 큰 평면 표면으로의 훈련 편향을 방지하고, 특히 객체 경계 근처와 작은 구조물에서 예측의 품질을 개선합니다. 실험 결과는 제안된 방법이 ScanNet과 NYUv2에서 최신 연구보다 우수하며, 추정된 불확실성이 예측 오류와 잘 상관됨을 보여줍니다. 코드는 https://github.com/baegwangbin/surface_normal_uncertainty 에서 제공됩니다.