跳到正文
arXiv cs.AI· Cassandra Tong Ye, Shamus Li, Tyler King, Kristina Monakhova·· 4 小时前AI 评分20

QUTCC:面向成像逆问题的分位数不确定性训练与共形校准方法

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

AI 导读

QUTCC 提出一种实用的同时分位数回归方法,在共形校准中实现非线性、空间自适应缩放,从而为图像逆问题生成更紧的不确定性区间。该方法采用带分位数嵌入的 U-Net 架构,在训练中学习完整条件分位数分布,测试时可高效估计具有像素边际覆盖保证的不确定性区间,并无需分布假设即可预测逐像素条件概率密度。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要: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(与事实不符的预测)都难以精确定位,并可能产生严重的下游后果。不确定性估计技术(如共形预测)可以通过为模型预测预测统计上有效的误差条来提供帮助。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,可在共形校准期间实现非线性、空间自适应缩放。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函数进行空间自适应共形校准。在测试时,我们的方法可以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 还可以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镜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,可以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。
评论: 相关项目页面和代码,请参见此 https URL
主题: 图像与视频处理 (eess.IV);人工智能 (cs.AI);计算机视觉与模式识别 (cs.CV);机器学习 (cs.LG)
引用为: arXiv:2507.14760 [eess.IV]
  (或 arXiv:2507.14760v3 [eess.IV] 为此版本)
  https://doi.org/10.48550/arXiv.2507.14760

arXiv 发布的 DOI 通过 DataCite

提交历史

来自:Cassandra Ye [查看电子邮件]
[v1] 2025年7月19日星期六 21:44:14 UTC(1,482 KB)
[v2] 2026年5月24日星期日 19:36:49 UTC(2,815 KB)
[v3] 2026年11月17日星期二 03:02:25 UTC(3,941 KB)

来源:arXiv cs.AI · arxiv.org