💻 computer science

Trust It or Not: Evidential Uncertainty for Feed-Forward 3D Reconstruction with Trust3R

Trust3R फीड-फॉरवर्ड 3D पुनर्निर्माण के लिए एक हल्का साक्ष्य-आधारित अनिश्चितता ढांचा (evidential uncertainty framework) पेश करता है जो संभाव्यता-आधारित प्रति-बिंदु अनिश्चितता अनुमान उत्पन्न करने के लिए गेटेड रेसिडुअल मीन रिफाइनमेंट को नॉर्मल-इनवर्स-विशार्ट हेड के साथ जोड़ता है, जो मौजूदा कॉन्फिडेंस मेट्रिक्स और अनिश्चितता-जागरूक बेसलाइन की तुलना में जोखिम-कवरेज, स्पारसीफिकेशन और ज्यामितीय सटीकता में महत्वपूर्ण सुधार करता है।

मूल लेखक: Zihao Zhu, Wenyuan Zhao, Nuo Chen, Chao Tian, Zhiwen Fan

प्रकाशित 2026-05-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zihao Zhu, Wenyuan Zhao, Nuo Chen, Chao Tian, Zhiwen Fan

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप केवल कुछ ही तस्वीरों का उपयोग करके एक कमरे का 3D मॉडल बनाने की कोशिश कर रहे हैं। आपके पास एक बहुत ही स्मार्ट, तेज़ AI सहायक है (जैसे कि पेपर में बताए गए MASt3R जैसे AI), जो तुरंत यह अनुमान लगा सकता है कि हर दीवार, कुर्सी और मेज 3D स्पेस में कहाँ है। यह अविश्वसनीय रूप से तेज़ है और आमतौर पर बहुत अच्छा काम करता है।

समस्या: अति-आत्मविश्वासी कलाकार (The Overconfident Artist)
समस्या यह है कि यह AI सहायक थोड़ा एक अति-आत्मविश्वासी कलाकार की तरह है। वह तस्वीर जल्दी तो बना देता है, लेकिन कभी-कभी गलतियाँ भी कर देता है—जैसे कि वहाँ एक कुर्सी बना देना जहाँ वास्तव में एक दर्पण (mirror) है, या एक धुंधली खिड़की के आकार का गलत अनुमान लगा लेना।

इससे भी बुरा यह है कि जब वह कोई गलती करता है, तो वह यह नहीं कहता, "मुझे इस हिस्से के बारे में यकीन नहीं है।" इसके बजाय, वह उस गलत हिस्से को भी उतनी ही गहरी और स्पष्ट रेखाओं के साथ बनाता है जितनी उसने सही हिस्सों के लिए बनाई थीं। यदि आप इस मॉडल का उपयोग किसी रोबोट या सेल्फ-ड्राइविंग कार को बनाने के लिए करते हैं, तो रोबोट उस गलत कुर्सी पर भरोसा कर सकता है और उससे टकरा सकता है क्योंकि AI ने उसे जोखिम के रूप में चिह्नित नहीं किया था।

वर्तमान तरीके इस समस्या को ठीक करने के लिए AI को एक "कॉन्फिडेंस स्कोर" (विश्वास स्कोर) देने की कोशिश करते हैं, लेकिन यह एक ऐसे छात्र की तरह है जो परीक्षा में अनुमान लगा रहा है और बस यह कहता है, "मुझे लगता है कि मेरा उत्तर सही है," बिना यह जाने कि वह ऐसा क्यों महसूस कर रहा है। यह एक अंतर्ज्ञान (gut feeling) है, वास्तविक माप नहीं।

समाधान: Trust3R (The Honest Critic - ईमानदार आलोचक)
यह पेपर पेश करता है कि Trust3R एक नया सिस्टम है। इसे Trust3R के रूप में देखें जो AI की टीम में एक "ईमानदार आलोचक" जोड़ने जैसा है।

केवल हर बिंदु के लिए एक एकल अनुमान देने के बजाय, Trust3R AI से पूछता है कि उसे एक संभावनाओं की सीमा (range of possibilities) और इस बात का माप (measure) प्रदान करे कि उसके अनुमान का समर्थन करने के लिए उसके पास कितना साक्ष्य (evidence) है।

यह इस प्रकार काम करता है, सरल उपमाओं का उपयोग करते हुए:

एकल अनुमान से "संभावनाओं के बादल" तक (From a Single Guess to a "Cloud of Possibilities"):
- पुराना तरीका: AI कहता है, "यह बिंदु ठीक यहाँ है।" (मानो मानचित्र पर एक अकेला बिंदु)।
- Trust3R का तरीका: AI कहता है, "मुझे लगता है कि यह बिंदु मुख्यतः यहाँ है, लेकिन यह थोड़ा बाईं या दाईं ओर भी हो सकता है। यहाँ एक धुंधला बादल है जो दिखाता है कि यह कहाँ हो सकता है।"
- रूपक (Metaphor): कल्पना कीजिए कि आप एक बोर्ड पर तीर फेंक रहे हैं। पुराना AI एक छोटा, सटीक लक्ष्य (bullseye) बनाता है। Trust3R बुल्सआई के चारों ओर एक चौड़ा, धुंधला घेरा बनाता है। यदि घेरा बहुत बड़ा है, तो इसका मतलब है कि AI अनिश्चित है। यदि घेरा बहुत छोटा है, तो AI बहुत आश्वस्त है।
"साक्ष्य" का स्कोर ("The 'Evidence' Score"):
Trust3R एक विशेष गणितीय तकनीक (जिसे "एविडेंशियल लर्निंग" कहा जाता है) का उपयोग करता है ताकि यह गिना जा सके कि AI ने कितने "प्रमाण" देखे हैं।
- उच्च साक्ष्य (High Evidence): AI ने उस वस्तु की कई स्पष्ट तस्वीरें देखी हैं। वह एक सटीक, छोटा घेरा बनाता है (उच्च आत्मविश्वास)।
- कम साक्ष्य (Low Evidence): AI एक खाली सफेद दीवार या दर्पण में प्रतिबिंब देख रहा है। उसके पास कोई प्रमाण नहीं है। वह एक विशाल, धुंधला घेरा बनाता है (कम आत्मविश्वास)।
- परिणाम: सिस्टम अब आपको बता सकता है, "मैं दीवार के बारे में 99% निश्चित हूँ, लेकिन मैं इस चमकदार खिड़की के बारे में केवल 10% ही निश्चित हूँ।"
"गेटेड रिफाइनमेंट" (The Smart Filter - स्मार्ट फ़िल्टर):
कभी-कभी, AI का प्रारंभिक अनुमान इतना अच्छा होता है कि उसे बदलना स्थिति को बदतर बना सकता है। Trust3R में एक विशेष "गेट" (जैसे क्लब में बाउंसर) होता है।
- यदि AI पहले से ही बहुत अच्छा काम कर रहा है, तो गेट बंद रहता है, और मूल, सटीक अनुमान को बरकरार रखा जाता है।
- यदि AI संघर्ष कर रहा है (जैसे किसी अंधेरे कोने में), तो गेट खुल जाता है, और अनुमान को ठीक करने के लिए एक छोटा "सुधार" लागू किया जाता है।
- यह सुनिश्चित करता है कि सिस्टम तेज़ बना रहे और मूल AI के अच्छे हिस्सों को नुकसान न पहुँचाए।

यह क्यों महत्वपूर्ण है (पेपर के अनुसार)
लेखकों ने बिखरे हुए कमरों से लेकर बाहरी सड़कों तक, विभिन्न दृश्यों पर Trust3R का परीक्षण किया। उन्होंने पाया कि:

यह गलतियों को पकड़ता है: Trust3R सफलतापूर्वक "अति-आत्मविश्वासी विफलताओं" (overconfident failures) की पहचान करने में सक्षम रहा—वे स्थान जहाँ पुराना AI गलत था लेकिन पूरी तरह से निश्चित दिख रहा था। Trust3R ने इन्हें "जोखिम भरा" के रूप में चिह्नित किया।
यह तेज़ है: अन्य तरीकों के विपरीत, जिन्हें एक अच्छा अनुमान प्राप्त करने के लिए AI को कई बार चलाने की आवश्यकता होती है (जो धीमा और महंगा है), Trust3R यह काम एक ही बार में (single pass) कर लेता है। यह एक विस्तृत मौसम रिपोर्ट तुरंत प्राप्त करने जैसा है, न कि एक सप्ताह के डेटा की प्रतीक्षा करने जैसा।
यह डाउनस्ट्रीम कार्यों में मदद करता है: जब उन्होंने रोबोट को नेविगेट करने या कैमरा सिस्टम को छवियों को संरेखित करने में मदद करने के लिए Trust3R के "अनिश्चितता मानचित्र" (uncertainty map) का उपयोग किया, तो वे सिस्टम बेहतर प्रदर्शन करते हैं क्योंकि उन्हें पता था कि 3D मैप के किन हिस्सों पर भरोसा करना है और किन्हें अनदेखा करना है।

सारांश में
Trust3R एक तेज़, शक्तिशाली 3D पुनर्निर्माण उपकरण को एक "विवेक" (conscience) देता है। यह केवल यह नहीं बताता कि 3D दुनिया कैसी दिखती है; यह आपको बताता है कि आप उस दृश्य पर कितना भरोसा कर सकते हैं। यह एक "शायद" को एक मापने योग्य जोखिम में बदल देता है, जिससे कंप्यूटरों को यह जानने में मदद मिलती है कि वे कब अनुमान लगा रहे हैं और कब वे पूरी तरह निश्चित हैं।

तकनीकी सारांश: Trust3R – फीड-फॉरवर्ड 3D पुनर्निर्माण के लिए एविडेंशियल अनसर्टेंटी (प्रमाणित अनिश्चितता)

1. समस्या विवरण (Problem Statement)

हाल के फीड-फॉरवर्ड 3D पुनर्निर्माण (जैसे, DUSt3R, MASt3R) में हुई प्रगति ने इटरेटिव ऑप्टिमाइज़ेशन के बिना इमेज पेयर्स से सीधे डेंस 3D पॉइंटमैप्स को रिग्रेस करने में सक्षम बनाया है। हालाँकि, ये मॉडल आमतौर पर ह्यूरिस्टिक कॉन्फिडेंस स्कोर के साथ नियतात्मक (deterministic) आउटपुट उत्पन्न करते हैं, जिनमें कठोर संभाव्यता व्याख्या (rigorous probabilistic interpretation) का अभाव होता है। फलस्वरूप, वर्तमान विधियाँ सटीक रूप से यह संकेत देने में विफल रहती हैं कि कहाँ और कितना अनुमानित ज्यामिति (geometry) विश्वसनीय है, विशेष रूप से अस्पष्ट क्षेत्रों जैसे कि ऑक्लूजन (occlusions), कम बनावट (low-texture) वाले क्षेत्र, या डिस्ट्रीब्यूशन शिफ्ट के मामले में।

मौजूदा अनसर्टेंटी क्वांटिफिकेशन (UQ) प्रतिमान महत्वपूर्ण ट्रेड-ऑफ का सामना करते हैं:

बेयसियन सैंपलिंग (MC Dropout, Deep Ensembles): सिद्धांततः अनिश्चितता प्रदान करते हैं लेकिन कई फॉरवर्ड पास या कई प्रशिक्षित मॉडलों की आवश्यकता होती है, जिससे डेंस पॉइंटमैप प्रेडिक्शन के लिए अत्यधिक कम्प्यूटेशनल ओवरहेड उत्पन्न होता है।
कॉन्फॉर्मल प्रेडिक्शन (Conformal Prediction): डिस्ट्रीब्यूशन-फ्री गारंटी प्रदान करता है लेकिन अक्सर अत्यधिक रूढ़िवादी (conservative) अनसर्टेंटी क्षेत्र देता है जो सूक्ष्म स्तर के प्रति-बिंदु (per-point) ज्यामिति के साथ संरेखित नहीं होते हैं।
मानक एविडेंशियल लर्निंग (Standard Evidential Learning): हालांकि यह कुशल है (सिंगल-पास), मानक फॉर्मूलेशन कम-आयामी, स्वतंत्र रिग्रेशन आउटपुट के लिए डिज़ाइन किए गए हैं और बिना ट्रेनिंग अस्थिरता या खराब अनसर्टेंटी एस्टीमेशन के, उच्च-आयामी, सह-संबंधित (correlated) आउटपुट वाले डेंस 3D पॉइंटमैप्स में सीधे अनुवादित नहीं होते हैं।

2. कार्यप्रणाली: Trust3R

लेखक Trust3R प्रस्तावित करते हैं, जो एक हल्का एविडेंशियल अनसर्टेंटी फ्रेमवर्क है जिसे विशेष रूप से फीड-फॉरवर्ड डेंस पॉइंटमैप पुनर्निर्माण के लिए डिज़ाइन किया गया है। यह फ्रेमवर्क एक प्री-ट्रेन्ड ज्योमेट्रिक फाउंडेशन मॉडल (विशेष रूप से MASt3R) को दो प्रमुख घटकों के साथ संवर्धित करता है ताकि प्रत्येक 3D बिंदु के लिए एक क्लोज्ड-फॉर्म मल्टीवेरिएट स्टूडेंट-टी (Student-t) प्रेडिक्टिव डिस्ट्रीब्यूशन प्राप्त हो सके।

2.1. एविडेंशियल UQ हेड

एक एकल नियतात्मक बिंदु (deterministic point) का अनुमान लगाने के बजाय, मॉडल Normal-Inverse-Wishart (NIW) डिस्ट्रीब्यूशन के मापदंडों (parameters) का अनुमान लगाता है।

संभाव्यता फॉर्मूलेशन (Probabilistic Formulation): प्रत्येक 3D बिंदु $X_i$ $X_{i}$ के लिए, मॉडल एक गॉसियन लाइकलीहुड $X_i \sim \mathcal{N}(\mu_i, \Sigma_i)$ $X_{i} \sim N (μ_{i}, Σ_{i})$ मानता है। नेटवर्क माध्य $\mu$ $μ$ और कोवेरियेंस $\Sigma$ $Σ$ पर कंजुगेट प्रायर (NIW) के हाइपर-पैरामीटर्स का अनुमान लगाता है:
- $m$ : प्रायर मीन (Prior mean)
- $\kappa$ : प्रिसिजन स्केलिंग फैक्टर (जो $m$ में विश्वास की शक्ति को नियंत्रित करता है)
- $\Psi$ : इनवर्स विशार्ट डिस्ट्रीब्यूशन के लिए स्केल मैट्रिक्स
- $\nu$ : डिग्री ऑफ फ्रीडम
प्रेडिक्टिव डिस्ट्रीब्यूशन: गॉसियन मापदंडों को मार्जिनलाइज करने से मल्टीवेरिएट स्टूडेंट-टी डिस्ट्रीब्यूशन प्राप्त होता है:
$p(X | \theta) = \text{St}\left(X \mid m, \frac{\Psi(\kappa + 1)}{\kappa(\nu - 2)}, \nu - 2\right)$
अनसर्टेंटी का विखंडन (Uncertainty Decomposition): यह फॉर्मूलेशन अनिश्चितता के सिद्धांतपूर्ण विखंडन की अनुमति देता है:
- एलेयोटरिक अनसर्टेंटी (Aleatoric Uncertainty): ऑब्जर्वेशनल नॉइज़ ( $\mathbb{E}[\Sigma]$ ) से उत्पन्न।
- एपिस्टेमिक अनसर्टेंटी (Epistemic Uncertainty): सीमित साक्ष्य (evidence) के कारण मॉडल अनिश्चितता से उत्पन्न ( $\text{Var}[\mu]$ ), जिसे कम $\kappa$ और $\nu$ द्वारा एनकोडेड किया जाता है।

2.2. गेटेड रेसिडुअल रिफाइनमेंट (Gated Residual Refinement)

एविडेंशियल लर्निंग प्रक्रिया को प्री-ट्रेन्ड बैकबोन की उच्च ज्यामितीय सटीकता को कम करने से रोकने के लिए, Trust3R एक गेटेड रेसिडुअल हेड का उपयोग करता है।

तंत्र (Mechanism): मॉडल एक रेसिडुअल करेक्शन $\Delta m$ और एक गेटिंग मैप $\sigma(G) \in [0, 1]$ का अनुमान लगाता है। रिफाइंड मीन की गणना इस प्रकार की जाती है:
$m = X_0 + \sigma(G) \odot \Delta m$
जहाँ $X_0$ प्री-ट्रेन्ड बैकबोन से फ्रीज किया गया प्रेडिक्शन है।
कार्य (Function): गेट केवल वहीं सुधार लागू करता है जहाँ आवश्यक हो (जैसे, अस्पष्ट क्षेत्रों में), जिससे मूल ज्यामिति को आत्मविश्वासी क्षेत्रों में सुरक्षित रखा जा सके। यह ट्रेनिंग को स्थिर करता है और मॉडल को लॉस को कृत्रिम रूप से कम करने के लिए वेरिएंस को बढ़ाने से रोकता है।

2.3. लॉस फंक्शन (Loss Function)

ट्रेनिंग ऑब्जेक्टिव प्रेडिक्टिव डिस्ट्रीब्यूशन के नेगेटिव लॉग-लाइकेलिहुड (NLL) को एक एविडेंस रेगुलराइज़र के साथ जोड़ता है:
$L_{UQ} = L_{NLL} + \lambda_{evi} L_{evi}$

$L_{NLL}$ : प्रेडिक्टेड स्टूडेंट-टी डिस्ट्रीब्यूशन के तहत ग्राउंड-ट्रुथ पॉइंट्स के नेगेटिव लॉग-लाइकेलिहुड को कम करता है।
$L_{evi}$ : उच्च साक्ष्य (उच्च आत्मविश्वास) को दंडित करता है जब प्रेडिक्शन एरर अधिक होता है। यह मॉडल को गलत भविष्यवाणियों में अत्यधिक आत्मविश्वासी होने से रोकता है।

3. मुख्य योगदान (Key Contributions)

Trust3R फ्रेमवर्क: एक हल्का एविडेंशियल अनसर्टेंटी फ्रेमवर्क पेश करना जो ज्योमेट्रिक फाउंडेशन मॉडल्स को सिंगल फॉरवर्ड पास के माध्यम से डेंस पॉइंटमैप्स के लिए संभाव्यता-आधारित अनसर्टेंटी एस्टीमेट्स आउटपुट करने में सक्षम बनाता है।
पॉइंटमैप-अनुकूलित डिज़ाइन: विशिष्ट आर्किटेक्चरल अनुकूलन के साथ अनसर्टेंटी मॉडलिंग का विकास, जिसमें शामिल हैं:
- एक मल्टीवेरिएट एविडेंशियल हेड (NIW) जो प्रत्येक 3D बिंदु के भीतर क्रॉस-कोऑर्डिनेट सहसंबंधों (correlations) को मॉडल करता है।
- एक गेटेड रेसिडुअल रिफाइनमेंट मैकेनिज्म जो प्री-ट्रेन्ड ज्यामितीय सटीकता को बनाए रखते हुए अनसर्टेंटी-अवेयर लर्निंग को सक्षम करता है।
अनुभवजन्य सत्यापन (Empirical Validation): यह प्रदर्शन करना कि विधि अनसर्टेंटी रैंकिंग मेट्रिक्स में हेयुरिस्टिक कॉन्फिडेंस स्कोर और सैंपलिंग-आधारित बेसलाइन्स की तुलना में बेहतर प्रदर्शन करती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने विविध इंडोर (ScanNet++, TUM RGB-D) और आउटडोर (KITTI) बेंचमार्क पर Trust3R का मूल्यांकन किया।

4.1. अनसर्टेंटी रैंकिंग क्वालिटी

Trust3R लगातार रिस्क-कवरेज (AURC) और स्पारसिफिकेशन (AUSE) मेट्रिक्स में बेसलाइन्स से बेहतर प्रदर्शन करता है, जो अनुमानित अनसर्टेंटी और वास्तविक ज्यामितीय त्रुटियों के बीच बेहतर संरेखण को दर्शाता है।

ScanNet++: MASt3R के इन-बिल्ट कॉन्फिडेंस की तुलना में 25% कम AURC और 41% कम AUSE प्राप्त किया।
तुलना: यह सिंगल-पास हेटेरोसेडास्टिक रिग्रेशन से काफी बेहतर है और डीप एन्सेम्बल्स (जिसके लिए 5x मॉडल्स की आवश्यकता होती है) के प्रदर्शन के करीब पहुँचता है, जबकि सिंगल-पास दक्षता बनाए रखता है।

4.2. ज्यामितिक सटीकता (Geometric Accuracy)

Trust3R आमतौर पर इंडोर डेटासेट्स (ScanNet++, TUM RGB-D) पर ज्यामितीय सटीकता (MAE/RMSE) में सुधार करता है।
आउटडोर डेटासेट्स (KITTI) पर, जबकि मीन रिफाइनमेंट ने त्रुटि में मामूली वृद्धि (एक ज्योमेट्री-रिलायबिलिटी ट्रेड-ऑफ) दिखाई, अनसर्टेंटी रैंकिंग फिर भी श्रेष्ठ रही, जिसने अविश्वसनीय बिंदुओं को प्रभावी ढंग से पहचाना।

4.3. दक्षता (Efficiency)

इन्फरेंस: Trust3R एक सिंगल-पास तरीके से काम करता है, जो बेसलाइन MASt3R की तुलना में नगण्य ओवरहेड (~10ms प्रति पेयर) जोड़ता है।
ट्रेनिंग: इसके लिए केवल लाइटवेट हेड्स को फ्रीज बैकबोन पर ट्रेन करने की आवश्यकता होती है, जिससे कई मॉडल्स (Deep Ensembles) को ट्रेन करने या स्टोकेस्टिक सैंपलिंग (MC Dropout) की कम्प्यूटेशनल लागत बचती है।

4.4. डाउनस्ट्रीम अनुप्रयोग (Downstream Applications)

SLAM: TUM RGB-D पर MASt3R-SLAM में Trust3R अनसर्टेंटी को एकीकृत करने से एब्सोल्यूट ट्रैजेक्टरी एरर (ATE) और रिलेटिव पोज एरर (RPE) कम हुआ।
ट्रांसपेरेंट/रिफ्लेक्टिव सीन्स: Tricky24 बेंचमार्क पर, Trust3R ने हेयुरिस्टिक कॉन्फिडेंस मैप्स की तुलना में पारदर्शी और परावर्तक क्षेत्रों में अविश्वसनीय ज्यामिति को पहचानने में बेहतर क्षमता प्रदर्शित की।

5. महत्व और दावे (Significance and Claims)

पेपर दावा करता है कि Trust3R अनसर्टेंटी-अवेयर वेटिंग के लिए एक व्यावहारिक विश्वसनीयता सिग्नल प्रदान करता है। हेयुरिस्टिक कॉन्फिडेंस को संभाव्यता-आधारित स्टूडेंट-टी डिस्ट्रीब्यूशन से बदलकर, यह विधि सिस्टम को सक्षम बनाती है:

अस्पष्टता और डिस्ट्रीब्यूशन शिफ्ट के तहत ज्यामितीय विश्वसनीयता का स्पष्ट मूल्यांकन करना।
केवल प्रेडिक्शन एरर के बजाय एपिस्टेमिक अनसर्टेंटी (मॉडल कॉन्फिडेंस) के आधार पर बिंदुओं को फ़िल्टर या वेट करना।
मैपिंग और रोबोटिक धारणा जैसे सुरक्षा-महत्वपूर्ण अनुप्रयोगों में गलत ज्यामिति पर अत्यधिक भरोसा करने से बचना।

लेखक इस बात पर जोर देते हैं कि हालांकि Trust3R विश्वसनीयता में सुधार करता है, यह शुद्धता की गारंटी नहीं है। मॉडल गंभीर अस्पष्टता, डोमेन शिफ्ट, या अत्यधिक ऑक्लूजन के तहत अभी भी विफल हो सकता है। अनसर्टेंटी आउटपुट का उपयोग फ़िल्टरिंग और वेटिंग के लिए एक सिग्नल के रूप में किया जाना है, जिसे संभावित रूप से सुरक्षा-महत्वपूर्ण तैनाती में अन्य सेंसर चेक और मानवीय निरीक्षण के साथ जोड़ा जा सकता है।

नोट किए गए सीमाएँ (Limitations Noted):

प्रेडिक्टिव डिस्ट्रीब्यूशन प्रति बिंदु यूनिमोडल (unimodal) है, जिसका अर्थ है कि यह स्पष्ट रूप से कई संभावित 3D परिकल्पनाओं (जैसे, मजबूत प्रतिबिंब या दोहराए गए पैटर्न के मामलों में) का प्रतिनिधित्व नहीं कर सकता है।
मॉडल स्पष्ट रूप से डेंस क्रॉस-पिक्सेल कोवेरियेंस को मॉडल नहीं करता है, बल्कि बैकबोन के इंप्लिसिट स्पेशियल मॉडलिंग पर निर्भर करता है।
लॉन्ग-रेंज आउटडोर सीन्स में कैलिब्रेशन चुनौतीपूर्ण हो सकता है।