論文の概要: Conformalized Generative Bayesian Imaging: An Uncertainty Quantification Framework for Computational Imaging

• arxiv url: http://arxiv.org/abs/2504.07696v1
• Date: Thu, 10 Apr 2025 12:30:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:24:23.635497
• Title: Conformalized Generative Bayesian Imaging: An Uncertainty Quantification Framework for Computational Imaging
• Title（参考訳）: Conformalized Generative Bayesian Imaging:Computational Imagingのための不確かさ定量化フレームワーク
• Authors: Canberk Ekmekci, Mujdat Cetin,
• Abstract要約: 不確かさの定量化は、信頼性が高く信頼性の高い学習ベース・コンピューティング・イメージングの達成に重要な役割を果たしている。 生成モデリングとベイズニューラルネットワークの最近の進歩は、不確実性を考慮した画像再構成手法の開発を可能にしている。 本稿では,失語症とてんかんの不確実性の両方を定量化できるスケーラブルなフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Uncertainty quantification plays an important role in achieving trustworthy and reliable learning-based computational imaging. Recent advances in generative modeling and Bayesian neural networks have enabled the development of uncertainty-aware image reconstruction methods. Current generative model-based methods seek to quantify the inherent (aleatoric) uncertainty on the underlying image for given measurements by learning to sample from the posterior distribution of the underlying image. On the other hand, Bayesian neural network-based approaches aim to quantify the model (epistemic) uncertainty on the parameters of a deep neural network-based reconstruction method by approximating the posterior distribution of those parameters. Unfortunately, an ongoing need for an inversion method that can jointly quantify complex aleatoric uncertainty and epistemic uncertainty patterns still persists. In this paper, we present a scalable framework that can quantify both aleatoric and epistemic uncertainties. The proposed framework accepts an existing generative model-based posterior sampling method as an input and introduces an epistemic uncertainty quantification capability through Bayesian neural networks with latent variables and deep ensembling. Furthermore, by leveraging the conformal prediction methodology, the proposed framework can be easily calibrated to ensure rigorous uncertainty quantification. We evaluated the proposed framework on magnetic resonance imaging, computed tomography, and image inpainting problems and showed that the epistemic and aleatoric uncertainty estimates produced by the proposed framework display the characteristic features of true epistemic and aleatoric uncertainties. Furthermore, our results demonstrated that the use of conformal prediction on top of the proposed framework enables marginal coverage guarantees consistent with frequentist principles.
• Abstract（参考訳）: 不確かさの定量化は、信頼性が高く信頼性の高い学習ベース・コンピューティング・イメージングの達成に重要な役割を果たしている。 生成モデリングとベイズニューラルネットワークの最近の進歩は、不確実性認識画像再構成手法の開発を可能にしている。 現在の生成モデルに基づく手法は、基礎画像の後方分布からサンプルを学習することで、基礎画像に固有の不確かさを定量化しようとするものである。 一方、ベイズニューラルネットワークに基づくアプローチは、これらのパラメータの後方分布を近似することにより、ディープニューラルネットワークベースの再構成手法のパラメータに対するモデル(現状)の不確かさを定量化することを目的としている。 残念ながら、複雑なアレタリック不確実性やてんかんの不確実性パターンを共同で定量化できる逆法の必要性は今も続いている。 本稿では,失語症とてんかんの不確実性の両方を定量化できるスケーラブルなフレームワークを提案する。 提案フレームワークは,既存の生成モデルに基づく後方サンプリング手法を入力として受け入れ,潜伏変数と深部アンサンブルを持つベイズニューラルネットワークを用いて,疫学的な不確実性定量化機能を導入する。 さらに、共形予測手法を利用することで、厳密な不確実性定量化を確保するために、提案手法を容易に校正することができる。 提案手法は, 磁気共鳴画像, コンピュータ断層撮影, 画像インパインティング問題に関する枠組みを検証し, 提案手法により得られたてんかんおよび失読不確実性の評価値が, 真のてんかんおよび失読不確実性の特徴を示すことを示した。 さらに,提案フレームワーク上での共形予測を用いることで,頻繁な原則と一致した限界範囲のカバレッジ保証が可能となることを示す。

関連論文リスト

• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• Integrating Uncertainty into Neural Network-based Speech Enhancement [27.868722093985006]
  時間周波数領域における監視されたマスキングアプローチは、ディープニューラルネットワークを使用して乗法マスクを推定し、クリーンな音声を抽出することを目的としている。 これにより、信頼性の保証や尺度を使わずに、各入力に対する単一の見積もりが導かれる。 クリーン音声推定における不確実性モデリングの利点について検討する。
  論文  参考訳（メタデータ） (2023-05-15T15:55:12Z)
• Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
  画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。 決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。 本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-11T15:20:54Z)
• 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)
• 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)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• 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)
• 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)
• 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)
• A deep-learning based Bayesian approach to seismic imaging and uncertainty quantification [0.4588028371034407]
  不確実性は、不条件の逆問題を扱う際に必須である。 未知の知識を正確に符号化する事前分布を定式化することは、しばしば不可能である。 本稿では,無作為な畳み込みニューラルネットワークの機能形式を,前もって暗黙的な構造として利用することを提案する。
  論文  参考訳（メタデータ） (2020-01-13T23:46:18Z)

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。