論文の概要: QUTCC: Quantile Uncertainty Training and Conformal Calibration for Imaging Inverse Problems

• arxiv url: http://arxiv.org/abs/2507.14760v1
• Date: Sat, 19 Jul 2025 21:44:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.041137
• Title: QUTCC: Quantile Uncertainty Training and Conformal Calibration for Imaging Inverse Problems
• Title（参考訳）: QUTCC:画像逆問題に対する量子不確かさトレーニングとコンフォーマルキャリブレーション
• Authors: Cassandra Tong Ye, Shamus Li, Tyler King, Kristina Monakhova,
• Abstract要約: ディープラーニングモデルは、しばしば幻覚を与え、サンプルに存在しない現実的なアーティファクトを生成します。 これは、MRIや顕微鏡検査のような科学的および医学的な逆問題に恐ろしい結果をもたらす可能性がある。 量子不確実性トレーニングと校正技術であるQUTCCを提案する。
• 参考スコア（独自算出の注目度）: 9.910688414749654
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models often hallucinate, producing realistic artifacts that are not truly present in the sample. This can have dire consequences for scientific and medical inverse problems, such as MRI and microscopy denoising, where accuracy is more important than perceptual quality. Uncertainty quantification techniques, such as conformal prediction, can pinpoint outliers and provide guarantees for image regression tasks, improving reliability. However, existing methods utilize a linear constant scaling factor to calibrate uncertainty bounds, resulting in larger, less informative bounds. We propose QUTCC, a quantile uncertainty training and calibration technique that enables nonlinear, non-uniform scaling of quantile predictions to enable tighter uncertainty estimates. Using a U-Net architecture with a quantile embedding, QUTCC enables the prediction of the full conditional distribution of quantiles for the imaging task. During calibration, QUTCC generates uncertainty bounds by iteratively querying the network for upper and lower quantiles, progressively refining the bounds to obtain a tighter interval that captures the desired coverage. We evaluate our method on several denoising tasks as well as compressive MRI reconstruction. Our method successfully pinpoints hallucinations in image estimates and consistently achieves tighter uncertainty intervals than prior methods while maintaining the same statistical coverage.
• Abstract（参考訳）: ディープラーニングモデルは、しばしば幻覚を与え、サンプルに存在しない現実的なアーティファクトを生成します。 これは、MRIや顕微鏡のような、知覚品質よりも精度が重要である科学的および医学的な逆問題に対して、希少な結果をもたらす可能性がある。 コンフォメーション予測のような不確実な定量化技術は、アウトレイラを特定し、画像回帰タスクの保証を提供し、信頼性を向上させる。 しかし、既存の手法では、線形定数スケーリング係数を用いて不確実性境界を校正し、その結果、より大きく、より少ない情報的境界をもたらす。 本稿では、量子不確実性予測を非線形に非均一にスケーリングし、より厳密な不確実性推定を可能にする量子不確実性トレーニングおよび校正手法であるQUTCCを提案する。 量子化を組み込んだU-Netアーキテクチャを用いて、QUTCCは撮像タスクのための量子化の完全な条件分布の予測を可能にする。 キャリブレーション中、QUTCCは、上層および下層の量子化のためにネットワークを反復的にクエリすることで不確実な境界を生成し、その境界を徐々に精製して、所望のカバレッジをキャプチャするより厳密な間隔を得る。 提案手法は, 複数タスクの復調, 圧縮MRIの再構成に有用である。 提案手法は,画像推定における幻覚の特定に成功し,同じ統計的カバレッジを維持しつつ,従来手法よりも厳密な不確実性区間を連続的に達成する。

関連論文リスト

• CLUE: Neural Networks Calibration via Learning Uncertainty-Error alignment [7.702016079410588]
  CLUE(Calibration via Learning Uncertainty-Error Alignment)は,学習中の予測不確かさを観測誤差と整合させる新しい手法である。 CLUEは,最先端のアプローチに対して,キャリブレーション品質と競争予測性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-05-28T19:23:47Z)
• Calibrated Uncertainty Quantification for Operator Learning via Conformal Prediction [95.75771195913046]
  本稿では, リスク制御型量子ニューラル演算子, 分布のない有限サンプル機能キャリブレーション等式予測法を提案する。 関数領域上の点の期待値として定義されるカバレッジ率に関する理論的キャリブレーションを保証する。 2次元ダーシー流と3次元自動車表面圧力予測タスクに関する実験結果から,我々の理論的結果が検証された。
  論文  参考訳（メタデータ） (2024-02-02T23:43:28Z)
• 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)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Sharp Calibrated Gaussian Processes [58.94710279601622]
  キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。 本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。 我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:17:36Z)
• Likelihood Annealing: Fast Calibrated Uncertainty for Regression [39.382916579076344]
  この研究は、Likelihood Annealingと呼ばれる回帰タスクに対する高速な校正不確実性推定手法を提案する。 低次元回帰問題にのみ焦点をあてる従来の回帰の不確実性を校正する手法とは異なり、本手法は高次元回帰を含む幅広い回帰問題に対してうまく機能する。
  論文  参考訳（メタデータ） (2023-02-21T21:24:35Z)
• BayesCap: Bayesian Identity Cap for Calibrated Uncertainty in Frozen Neural Networks [50.15201777970128]
  本研究では,凍結モデルに対するベイズIDマッピングを学習し,不確実性の推定を可能にするBayesCapを提案する。 BayesCapは、元のデータセットのごく一部でトレーニングできる、メモリ効率のよいメソッドである。 本稿では,多種多様なアーキテクチャを用いた多種多様なタスクに対する本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-07-14T12:50:09Z)
• A Decoupled Uncertainty Model for MRI Segmentation Quality Estimation [4.104181348044472]
  タスクと異なるk空間アーティファクトに関連する不確実性のソースを分離する新しいCNNアーキテクチャを提案する。 課題の観点から,我々の不確実性予測はMRIの画質をよりよく推定できることを示す。
  論文  参考訳（メタデータ） (2021-09-06T12:54:44Z)
• 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)
• Calibrated Reliable Regression using Maximum Mean Discrepancy [45.45024203912822]
  現代のディープニューラルネットワークは依然として信頼できない予測の不確実性を生んでいる。 本稿では、回帰タスクにおいて、よく校正された予測を得ることを懸念する。 非自明な実データセットに対する実験により,本手法は高い校正と鋭い予測間隔を生成できることが示された。
  論文  参考訳（メタデータ） (2020-06-18T03:38:12Z)

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。