論文の概要: Equivariant Bootstrapping for Uncertainty Quantification in Imaging
Inverse Problems
- arxiv url: http://arxiv.org/abs/2310.11838v2
- Date: Fri, 20 Oct 2023 11:48:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 11:27:20.595788
- Title: Equivariant Bootstrapping for Uncertainty Quantification in Imaging
Inverse Problems
- Title(参考訳): 画像逆問題における不確かさ定量のための等変ブートストラップ
- Authors: Julian Tachella and Marcelo Pereyra
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.24475591916185502
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scientific imaging problems are often severely ill-posed, and hence have
significant intrinsic uncertainty. Accurately quantifying the uncertainty in
the solutions to such problems is therefore critical for the rigorous
interpretation of experimental results as well as for reliably using the
reconstructed images as scientific evidence. Unfortunately, existing imaging
methods are unable to quantify the uncertainty in the reconstructed images in a
manner that is robust to experiment replications. This paper presents a new
uncertainty quantification methodology based on an equivariant formulation of
the parametric bootstrap algorithm that leverages symmetries and invariance
properties commonly encountered in imaging problems. Additionally, the proposed
methodology is general and can be easily applied with any image reconstruction
technique, including unsupervised training strategies that can be trained from
observed data alone, thus enabling uncertainty quantification in situations
where there is no ground truth data available. We demonstrate the proposed
approach with a series of numerical experiments and through comparisons with
alternative uncertainty quantification strategies from the state-of-the-art,
such as Bayesian strategies involving score-based diffusion models and Langevin
samplers. In all our experiments, the proposed method delivers remarkably
accurate high-dimensional confidence regions and outperforms the competing
approaches in terms of estimation accuracy, uncertainty quantification
accuracy, and computing time.
- Abstract(参考訳): 科学的イメージングの問題は、しばしば深刻な問題であり、したがって固有の不確実性がある。
このような問題に対する解決策の不確実性を正確に定量化することは、実験結果の厳密な解釈や、再構成された画像を科学的証拠として確実に使用するために重要である。
残念なことに、既存の撮像法は複製実験に頑健な方法で再構成画像の不確かさを定量化できない。
本稿では,画像問題によく見られる対称性と不変性を利用した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法を提案する。
さらに,提案手法は一般に,観測データのみからトレーニング可能な教師なしのトレーニング戦略を含む,任意の画像再構成手法に容易に適用できるため,真理データがない場合に不確実性定量化が可能となる。
提案手法は,一連の数値実験と,スコアベース拡散モデルを含むベイズ的手法やランゲヴィン・サンプルラーなど,最先端技術からの代替不確実性定量化戦略との比較により実証する。
全ての実験において,提案手法は高精度な高次元信頼領域を提供し,推定精度,不確実性定量化精度,計算時間において競合する手法より優れている。
関連論文リスト
- One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。
幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
論文 参考訳(メタデータ) (2023-12-16T14:59:11Z) - Principal Uncertainty Quantification with Spatial Correlation for Image
Restoration Problems [35.46703074728443]
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。
論文 参考訳(メタデータ) (2023-05-17T11:08:13Z) - Amortized Normalizing Flows for Transcranial Ultrasound with Uncertainty
Quantification [1.1744028458220426]
本稿では, 正常化流を利用した経頭蓋骨超音波CTによる画像の高速化のための新しい手法を提案する。
我々は、既知の超音波物理を、大きな入射観測を圧縮する目的に組み込むために、物理インフォームド・サマリー統計を利用する。
論文 参考訳(メタデータ) (2023-03-06T20:13:41Z) - Image-to-Image Regression with Distribution-Free Uncertainty
Quantification and Applications in Imaging [88.20869695803631]
真値を含むことが保証される各画素の周囲の不確実な間隔を導出する方法を示す。
画像から画像への回帰を3つのタスクで評価する。
論文 参考訳(メタデータ) (2022-02-10T18:59:56Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳(メタデータ) (2022-02-07T12:30:45Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳(メタデータ) (2021-12-05T04:36:09Z) - Robustness via Uncertainty-aware Cycle Consistency [44.34422859532988]
非ペア画像-画像間の変換とは、対応する画像対を使わずに画像間マッピングを学習することを指す。
既存の手法は、外乱や予測の不確実性にロバスト性を明示的にモデル化することなく決定論的マッピングを学習する。
不確実性を考慮した一般化適応サイクル一貫性(UGAC)に基づく新しい確率的手法を提案する。
論文 参考訳(メタデータ) (2021-10-24T15:33:21Z) - Deep Bayesian inference for seismic imaging with tasks [0.6445605125467573]
本稿では,ベイズ推定と深部ニューラルネットワークの手法を用いて,地震探査における不確実性を画像上で行うタスクの不確実性に変換することを提案する。
画像中のノイズによる不確かさを、自動的に追従された地平面の信頼区間に変換するための体系的手法を提案する。
論文 参考訳(メタデータ) (2021-10-10T15:25:44Z) - Bayesian Uncertainty Estimation of Learned Variational MRI
Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。
提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文 参考訳(メタデータ) (2021-02-12T18:08:14Z) - 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) - Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。
画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-09T12:26:27Z)
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。