論文の概要: On the Quantification of Image Reconstruction Uncertainty without Training Data

• arxiv url: http://arxiv.org/abs/2311.09639v1
• Date: Thu, 16 Nov 2023 07:46:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-17 16:01:04.809554
• Title: On the Quantification of Image Reconstruction Uncertainty without Training Data
• Title（参考訳）: トレーニングデータのない画像再構成の不確かさの定量化について
• Authors: Sirui Bi, Victor Fung, Jiaxin Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.057039869893053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational imaging plays a pivotal role in determining hidden information from sparse measurements. A robust inverse solver is crucial to fully characterize the uncertainty induced by these measurements, as it allows for the estimation of the complete posterior of unrecoverable targets. This, in turn, facilitates a probabilistic interpretation of observational data for decision-making. In this study, we propose a deep variational framework that leverages a deep generative model to learn an approximate posterior distribution to effectively quantify image reconstruction uncertainty without the need for training data. We parameterize the target posterior using a flow-based model and minimize their Kullback-Leibler (KL) divergence to achieve accurate uncertainty estimation. To bolster stability, we introduce a robust flow-based model with bi-directional regularization and enhance expressivity through gradient boosting. Additionally, we incorporate a space-filling design to achieve substantial variance reduction on both latent prior space and target posterior space. We validate our method on several benchmark tasks and two real-world applications, namely fastMRI and black hole image reconstruction. Our results indicate that our method provides reliable and high-quality image reconstruction with robust uncertainty estimation.
• Abstract（参考訳）: 計算画像はスパース測定から隠れた情報を決定する上で重要な役割を果たしている。 頑健な逆解法は、これらの測定によって引き起こされる不確実性を完全に特徴づけるのに不可欠である。 これにより、意思決定のための観測データの確率論的解釈が促進される。 本研究では,画像再構成の不確かさをトレーニングデータなしで効果的に定量化するために,深部生成モデルを用いて近似後続分布を学習する深部変動モデルを提案する。 フローベースモデルを用いて目標後方をパラメータ化し,そのカルバックライバ(kl)分岐を最小化し,正確な不確実性推定を行う。 安定性を高めるために,二方向の正則化による頑健なフローベースモデルを導入する。 さらに, 空間充填設計を組み込んで, 遅延前空間と目標後空間の両方において, 実質的な分散低減を実現する。 提案手法は,いくつかのベンチマークタスクと,fastmriとblack hole image reconstructionという2つの実世界のアプリケーションで検証した。 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。

関連論文リスト

• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• Uncertainty Quantification for Deep Unrolling-Based Computational Imaging [0.0]
  本稿では,観察モデルを再構成タスクに組み込んだ学習型画像再構成フレームワークを提案する。 提案手法は,最先端のDeep Unrolling手法に匹敵する再現性能を達成しつつ,不確実性情報を提供できることを示す。
  論文  参考訳（メタデータ） (2022-07-02T00:22:49Z)
• A Probabilistic Deep Image Prior for Computational Tomography [0.19573380763700707]
  既存の深層学習によるトモグラフィ画像再構成手法では,復元の不確かさの正確な推定は得られない。 我々は,古典的全変動(TV)正規化器と現代の深部画像先行(DIP)を組み合わせたトモグラフィー再構成のためのベイズ事前構築を行う。 提案手法は,高次元設定にスケーラブルな線形化Laplace法に基づく手法である。
  論文  参考訳（メタデータ） (2022-02-28T14:47:14Z)
• Robust Depth Completion with Uncertainty-Driven Loss Functions [60.9237639890582]
  本研究では,不確実性による損失関数を導入し,深度補修の堅牢性を改善し,深度補修の不確実性に対処する。 提案手法は,KITTI深度評価ベンチマークでテストされ,MAE, IMAE, IRMSEの計測値を用いて最先端のロバスト性性能を達成した。
  論文  参考訳（メタデータ） (2021-12-15T05:22:34Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• 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)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• Sampling possible reconstructions of undersampled acquisitions in MR imaging [9.75702493778194]
  MR中のk-空間のアンサンプは時間を節約するが、結果として不適切な逆転問題が発生し、可能な限り無限の画像が生成される。 伝統的に、これは、選択された正規化や事前に従って、このソリューションセットから1つの「ベスト」イメージを検索することで、再構成問題として取り組まれる。 そこで本研究では,逆変換プロセスにおける不確実性を捉えるために,取得モデルと選択した条件下で可能な複数の画像を返却する手法を提案する。
  論文  参考訳（メタデータ） (2020-09-30T18:20:06Z)
• Invertible Image Rescaling [118.2653765756915]
  Invertible Rescaling Net (IRN) を開発した。 我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
  論文  参考訳（メタデータ） (2020-05-12T09:55:53Z)

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。