跳到正文
原文
arXiv · Image and Video Processing· Cassandra Tong Ye, Shamus Li, Tyler King 等 4 人
· 3 天前

QUTCC:面向成像逆问题的分位数不确定性训练与共形校准

QUTCC: Quantile Uncertainty Training and Conformal Calibration for Imaging Inverse Problems

预印本 · 尚未经过同行评审

AI 导读

QUTCC用U-Net分位数嵌入学习条件分位数分布,实现空间自适应共形校准,在相同覆盖率下给出更紧的不确定性区间。

摘要 · AI 翻译

尽管深度学习为科学和医学成像带来了巨大前景,但任何失败和幻觉(与真实情况不符的预测)都难以精确定位,并可能造成严重的下游后果。不确定性估计技术,如共形预测,可以通过为模型的预测预测统计上有效的误差棒来提供帮助。然而,流行的共形预测方法并非为高维图像值问题而设计,并且在共形校准期间未考虑图像内的空间相关性,导致不确定性区间大于必要值。我们提出了一种实用的同时分位数回归方法,能够在共形校准期间实现非线性、空间自适应的缩放。我们的方法 QUTCC 使用带有分位数嵌入的 U-Net 架构,在训练期间学习完整的条件分位数分布,然后利用这一非线性、学习得到的函数进行空间自适应的共形校准。在测试时,我们的方法能够高效地估计具有像素边际覆盖保证的不确定性区间。此外,QUTCC 还能在没有任何内置分布假设的情况下预测逐像素条件概率密度估计。我们在若干去噪问题、加速磁共振成像和定量相位显微术上评估了我们的方法。在相同覆盖水平下,我们的方法始终比先前的共形方法产生更紧的不确定性区间,能够为不同任务预测合理的条件分布,并且在某些情况下,高不确定性区域可以帮助我们定位模型预测中的幻觉。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Image and Video Processing · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。