論文の概要: Uncertainty-Aware Regularization for Image-to-Image Translation
- arxiv url: http://arxiv.org/abs/2412.01705v1
- Date: Sun, 24 Nov 2024 14:05:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-08 08:47:21.203278
- Title: Uncertainty-Aware Regularization for Image-to-Image Translation
- Title(参考訳): 画像間翻訳における不確実性を考慮した正規化
- Authors: Anuja Vats, Ivar Farup, Marius Pedersen, Kiran Raja,
- Abstract要約: 医用画像変換(I2I)における不確実性評価を改善する手法を提案する。
本モデルはアレータリック不確実性を統合し, 単純な事前予測にインスパイアされた不確実性認識規則化(UAR)を用いて不確実性推定を精査する。
- 参考スコア(独自算出の注目度): 2.5274064055508174
- License:
- Abstract: The importance of quantifying uncertainty in deep networks has become paramount for reliable real-world applications. In this paper, we propose a method to improve uncertainty estimation in medical Image-to-Image (I2I) translation. Our model integrates aleatoric uncertainty and employs Uncertainty-Aware Regularization (UAR) inspired by simple priors to refine uncertainty estimates and enhance reconstruction quality. We show that by leveraging simple priors on parameters, our approach captures more robust uncertainty maps, effectively refining them to indicate precisely where the network encounters difficulties, while being less affected by noise. Our experiments demonstrate that UAR not only improves translation performance, but also provides better uncertainty estimations, particularly in the presence of noise and artifacts. We validate our approach using two medical imaging datasets, showcasing its effectiveness in maintaining high confidence in familiar regions while accurately identifying areas of uncertainty in novel/ambiguous scenarios.
- Abstract(参考訳): ディープネットワークにおける不確実性の定量化の重要性は、信頼性の高い実世界のアプリケーションにとって最重要課題となっている。
本稿では,医用画像変換(I2I)における不確実性評価を改善する手法を提案する。
本モデルでは,アレータティックな不確実性を統合し,不確実性評価を洗練させ,再構成品質を向上させるために,単純な先行手法にインスパイアされた不確実性認識規則化(UAR)を用いる。
提案手法では,パラメータの単純さを生かして,より堅牢な不確実性マップを抽出し,ネットワークの難易度を正確に把握し,ノイズの影響を受けないようにする。
我々の実験は、UARが翻訳性能を向上するだけでなく、特にノイズやアーティファクトの存在下で、より良い不確実性評価を提供することを示した。
本研究では,2つの医用画像データセットを用いたアプローチの有効性を検証するとともに,新規・曖昧なシナリオにおける不確実性領域を正確に同定し,その信頼性を向上する。
関連論文リスト
- Uncertainty Quantification in Stereo Matching [61.73532883992135]
ステレオマッチングのための新しいフレームワークとその不確実性定量化を提案する。
我々は、不確実性と推定データの尺度としてベイズリスクを採用し、個別に不確実性をモデル化する。
我々は,不確実性の少ないデータポイントを選択することにより,予測精度を向上させるために不確実性手法を適用した。
論文 参考訳(メタデータ) (2024-12-24T23:28:20Z) - Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。
本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。
この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
論文 参考訳(メタデータ) (2024-11-03T17:32:00Z) - EDUE: Expert Disagreement-Guided One-Pass Uncertainty Estimation for Medical Image Segmentation [1.757276115858037]
本稿では,医用画像分割のためのエキスパート診断誘導不確実性推定(EDUE)を提案する。
複数のラッカーからの接地構文アノテーションの可変性を活用することにより、トレーニング中のモデルをガイドし、ランダムサンプリングに基づく戦略を取り入れ、校正信頼性を高める。
論文 参考訳(メタデータ) (2024-03-25T10:13:52Z) - 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) - Instant Uncertainty Calibration of NeRFs Using a Meta-calibrator [60.47106421809998]
我々は,1つの前方パスを持つNeRFに対して不確実な校正を行うメタ校正器の概念を導入する。
メタキャリブレータは、見えないシーンを一般化し、NeRFの良好な校正と最先端の不確実性を実現できることを示す。
論文 参考訳(メタデータ) (2023-12-04T21:29:31Z) - 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) - 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) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳(メタデータ) (2023-01-01T05:02:46Z) - Bayesian autoencoders with uncertainty quantification: Towards
trustworthy anomaly detection [78.24964622317634]
本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。
不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。
本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
論文 参考訳(メタデータ) (2022-02-25T12:20:04Z) - Towards Reducing Aleatoric Uncertainty for Medical Imaging Tasks [5.220940151628734]
予測の不確かさは、データ(アーキテクチャ)と不正確なモデル推論(エピステミック)におけるノイズやランダム性に起因する可能性がある
本研究では,自己教師型タスクから推定される不確実性を,データ固有のノイズとして解釈する手法を提案する。
本研究は,画像分割作業におけるアレーラティック不確実性を著しく低減する手法の有効性を示すものである。
論文 参考訳(メタデータ) (2021-10-21T09:31:00Z) - Uncertainty-aware GAN with Adaptive Loss for Robust MRI Image
Enhancement [3.222802562733787]
条件付き生成逆数ネットワーク (GAN) は, 画像-画像-画像マッピングの学習において, 性能が向上している。
本稿では,(i)OODノイズデータに対するロバスト性を考慮した適応損失関数をモデル化し,(ii)予測におけるボクセル当たりの不確かさを推定するGANベースのフレームワークを提案する。
医用画像における2つの重要な応用として, (i) 磁気共鳴画像(MRI) 再構成 (ii) MRI のモダリティ伝搬について検討した。
論文 参考訳(メタデータ) (2021-10-07T11:29:03Z)
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。