論文の概要: Principal Uncertainty Quantification with Spatial Correlation for Image Restoration Problems

• arxiv url: http://arxiv.org/abs/2305.10124v3
• Date: Sat, 20 Jan 2024 09:34:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 21:50:26.490078
• Title: Principal Uncertainty Quantification with Spatial Correlation for Image Restoration Problems
• Title（参考訳）: 画像復元問題に対する空間相関による主不確かさの定量化
• Authors: Omer Belhasin, Yaniv Romano, Daniel Freedman, Ehud Rivlin, Michael Elad
• Abstract要約: PUQ -- プリンシパル不確実性定量化 -- は、新しい定義であり、不確実性領域の対応する分析である。 経験的後部分布の主成分の周囲の不確実性区間を導出し,あいまいさ領域を形成する。 本手法は, カラー化, 超高分解能, 塗布実験により検証した。
• 参考スコア（独自算出の注目度）: 35.46703074728443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty quantification for inverse problems in imaging has drawn much attention lately. Existing approaches towards this task define uncertainty regions based on probable values per pixel, while ignoring spatial correlations within the image, resulting in an exaggerated volume of uncertainty. In this paper, we propose PUQ (Principal Uncertainty Quantification) -- a novel definition and corresponding analysis of uncertainty regions that takes into account spatial relationships within the image, thus providing reduced volume regions. Using recent advancements in generative models, we derive uncertainty intervals around principal components of the empirical posterior distribution, forming an ambiguity region that guarantees the inclusion of true unseen values with a user-defined confidence probability. To improve computational efficiency and interpretability, we also guarantee the recovery of true unseen values using only a few principal directions, resulting in more informative uncertainty regions. Our approach is verified through experiments on image colorization, super-resolution, and inpainting; its effectiveness is shown through comparison to baseline methods, demonstrating significantly tighter uncertainty regions.
• Abstract（参考訳）: 近年,画像の逆問題に対する不確かさの定量化が注目されている。 この課題に対する既存のアプローチでは、ピクセル当たりの確率値に基づいて不確かさ領域を定義するが、画像内の空間的相関は無視し、不確実性が誇張される。 本稿では,画像内の空間的関係を考慮した新しい定義とそれに対応する不確かさ領域の解析を行うPUQ(Principal Uncertainity Quantification)を提案する。 近年の生成モデルの進歩を用いて,経験的後方分布の主成分周辺の不確実性間隔を導出し,ユーザ定義の信頼確率による真の未知値の包含を保証する曖昧性領域を形成する。 計算効率と解釈可能性を向上させるため,数個の主方向のみを用いて真の未知値の回復を保証し,より情報に富む不確実性領域を実現する。 提案手法は,画像の着色,超解像,塗布実験により検証され,その有効性はベースライン法との比較により示され,より厳密な不確実性領域を示す。

関連論文リスト

• Probabilistic Contrastive Learning with Explicit Concentration on the Hypersphere [3.572499139455308]
  本稿では,球面空間に表現を埋め込むことにより,不確実性を比較学習に取り入れる新たな視点を提案する。 我々は、濃度パラメータであるカッパを直接解釈可能な尺度として利用し、不確実性を明示的に定量化する。
  論文  参考訳（メタデータ） (2024-05-26T07:08:13Z)
• On the Quantification of Image Reconstruction Uncertainty without Training Data [5.057039869893053]
  本稿では,深部生成モデルを用いて近似後部分布を学習する深部変分フレームワークを提案する。 フローベースモデルを用いてターゲット後部をパラメータ化し,KL(Kullback-Leibler)の発散を最小限に抑え,正確な不確実性推定を実現する。 提案手法は信頼性と高品質な画像再構成を実現し,信頼性の高い不確実性を推定する。
  論文  参考訳（メタデータ） (2023-11-16T07:46:47Z)
• Equivariant Bootstrapping for Uncertainty Quantification in Imaging Inverse Problems [0.24475591916185502]
  パラメトリックブートストラップアルゴリズムの等価な定式化に基づく新しい不確実性定量化手法を提案する。 提案手法は汎用的であり,任意の画像再構成手法で容易に適用可能である。 提案手法を数値実験および代替不確実性定量化戦略との比較により実証する。
  論文  参考訳（メタデータ） (2023-10-18T09:43:15Z)
• Model-Based Uncertainty in Value Functions [89.31922008981735]
  MDP上の分布によって引き起こされる値の分散を特徴付けることに重点を置いている。 従来の作業は、いわゆる不確実性ベルマン方程式を解くことで、値よりも後方の分散を境界にしている。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式を提案する。
  論文  参考訳（メタデータ） (2023-02-24T09:18:27Z)
• Variational Voxel Pseudo Image Tracking [127.46919555100543]
  不確実性推定は、ロボット工学や自律運転といった重要な問題にとって重要なタスクである。 本稿では,3次元物体追跡のためのVoxel Pseudo Image Tracking (VPIT) の変分ニューラルネットワークによるバージョンを提案する。
  論文  参考訳（メタデータ） (2023-02-12T13:34:50Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Bayesian Triplet Loss: Uncertainty Quantification in Image Retrieval [10.743633102172236]
  画像検索における不確かさの定量化は下流の決定に不可欠である。 本稿では,画像の埋め込みを決定論的特徴ではなく特徴とみなす新しい手法を提案する。 我々はベイズ三重項損失(Bayesian triplet loss)と呼ばれる後肢の変分近似を導出し、最先端の不確実性推定を導出する。
  論文  参考訳（メタデータ） (2020-11-25T11:47:33Z)
• Quantifying Sources of Uncertainty in Deep Learning-Based Image Reconstruction [5.129343375966527]
  本稿では,学習反復画像再構成におけるアレタリックおよびエピステマティック不確かさを同時に定量化する,スケーラブルで効率的なフレームワークを提案する。 本手法は,スパークビューと制限角度データの両方を用いて,従来の計算トモグラフィーのベンチマークと競合する性能を示す。
  論文  参考訳（メタデータ） (2020-11-17T04:12:52Z)
• Temporal Difference Uncertainties as a Signal for Exploration [76.6341354269013]
  強化学習における探索の効果的なアプローチは、最適な政策に対するエージェントの不確実性に依存することである。 本稿では,評価値のバイアスや時間的に矛盾する点を強調した。 本稿では,時間差誤差の分布の導出に依存する値関数の不確かさを推定する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-05T18:11:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。