論文の概要: Self-supervised conformal prediction for uncertainty quantification in Poisson imaging problems

• arxiv url: http://arxiv.org/abs/2502.19194v1
• Date: Wed, 26 Feb 2025 14:59:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:55:43.639264
• Title: Self-supervised conformal prediction for uncertainty quantification in Poisson imaging problems
• Title（参考訳）: ポアソンイメージング問題における不確実性定量化のための自己教師付き共形予測
• Authors: Bernardin Tamo Amougou, Marcelo Pereyra, Barbara Pascal,
• Abstract要約: 本稿では,ポアソン画像問題に対する自己教師付き共形予測法を提案する。 Poisson Unbiased Risk Estorを使って、根拠となる真実データを必要としない。 提案手法は画像のデノゲーションとデブロワーリングに関する数値実験により実証された。
• 参考スコア（独自算出の注目度）: 0.3481985817302898
• License:
• Abstract: Image restoration problems are often ill-posed, leading to significant uncertainty in reconstructed images. Accurately quantifying this uncertainty is essential for the reliable interpretation of reconstructed images. However, image restoration methods often lack uncertainty quantification capabilities. Conformal prediction offers a rigorous framework to augment image restoration methods with accurate uncertainty quantification estimates, but it typically requires abundant ground truth data for calibration. This paper presents a self-supervised conformal prediction method for Poisson imaging problems which leverages Poisson Unbiased Risk Estimator to eliminate the need for ground truth data. The resulting self-calibrating conformal prediction approach is applicable to any Poisson linear imaging problem that is ill-conditioned, and is particularly effective when combined with modern self-supervised image restoration techniques trained directly on measurement data. The proposed method is demonstrated through numerical experiments on image denoising and deblurring; its performance are comparable to supervised conformal prediction methods relying on ground truth data.
• Abstract（参考訳）: 画像復元の問題はしばしば不確定であり、再構成された画像に重大な不確実性をもたらす。 この不確実性を正確に定量化することは、再構成画像の信頼性の高い解釈に不可欠である。 しかし、画像復元法は不確実な定量化能力に欠けることが多い。 コンフォーマル予測は、正確な不確実性定量化推定を伴う画像復元手法を強化するための厳密な枠組みを提供するが、キャリブレーションに十分な真実データを必要とするのが一般的である。 本稿では,Poisson Unbiased Risk Estimatorを利用して,地中真実データの必要性を解消するポアソン画像問題に対する自己教師型コンフォメーション予測手法を提案する。 結果として生じる自己校正共形予測アプローチは、不条件の任意のポアソン線画像問題に適用でき、特に測定データに基づいて直接訓練された近代的な自己監督型画像復元技術と組み合わせると有効である。 提案手法は画像のデノゲーションとデブロワーリングに関する数値実験により実証され,その性能は地上の真理データに依存する教師付き共形予測手法に匹敵する。

関連論文リスト

• Self-supervised Conformal Prediction for Uncertainty Quantification in Imaging Problems [0.18434042562191813]
  ほとんどの画像復元問題は不調か不調である。 既存の画像復元手法の多くは、不確実性を定量化できないか、あるいは非常に不正確な推定を提供するかのいずれかである。 本稿では,SteinのUnbiased Risk Estimatorを利用した自己監督型コンフォメーション予測手法を提案する。
  論文  参考訳（メタデータ） (2025-02-07T18:00:36Z)
• Deep priors for satellite image restoration with accurate uncertainties [4.879530644978008]
  本稿では,複数のセンサからの画像を復元する1つのネットワークを包含する汎用手法を提案する。 VBLE-xzは、現実的な後続サンプルと正確な不確実性を得るためのスケーラブルな方法である。 SatDPIRは、不確実性を必要としない場合、直接反転法に代わる魅力的な代替手段である。
  論文  参考訳（メタデータ） (2024-12-05T12:56:03Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• 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)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• 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)
• 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)

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。