論文の概要: REV-INR: Regularized Evidential Implicit Neural Representation for Uncertainty-Aware Volume Visualization

• arxiv url: http://arxiv.org/abs/2601.17689v1
• Date: Sun, 25 Jan 2026 04:28:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.214942
• Title: REV-INR: Regularized Evidential Implicit Neural Representation for Uncertainty-Aware Volume Visualization
• Title（参考訳）: REV-INR:不確かさを意識したボリューム可視化のための正規化エビデンシャルインシシデントニューラル表現
• Authors: Shanu Saklani, Tushar M. Athawale, Nairita Pal, David Pugmire, Christopher R. Johnson, Soumya Dutta,
• Abstract要約: 本稿では、座標レベルのデータ不確実性やモデルの不確実性とともに、データ値を正確に予測するREV-INRについて紹介する。 本稿では,REV-INRが高速な推定時間を用いて,ロバストなデータ(アラート性)とモデル(エピステミック性)の不確実性の推定値を用いて,最高のボリューム復元品質を実現することを示す。
• 参考スコア（独自算出の注目度）: 7.144429945405736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Applications of Implicit Neural Representations (INRs) have emerged as a promising deep learning approach for compactly representing large volumetric datasets. These models can act as surrogates for volume data, enabling efficient storage and on-demand reconstruction via model predictions. However, conventional deterministic INRs only provide value predictions without insights into the model's prediction uncertainty or the impact of inherent noisiness in the data. This limitation can lead to unreliable data interpretation and visualization due to prediction inaccuracies in the reconstructed volume. Identifying erroneous results extracted from model-predicted data may be infeasible, as raw data may be unavailable due to its large size. To address this challenge, we introduce REV-INR, Regularized Evidential Implicit Neural Representation, which learns to predict data values accurately along with the associated coordinate-level data uncertainty and model uncertainty using only a single forward pass of the trained REV-INR during inference. By comprehensively comparing and contrasting REV-INR with existing well-established deep uncertainty estimation methods, we show that REV-INR achieves the best volume reconstruction quality with robust data (aleatoric) and model (epistemic) uncertainty estimates using the fastest inference time. Consequently, we demonstrate that REV-INR facilitates assessment of the reliability and trustworthiness of the extracted isosurfaces and volume visualization results, enabling analyses to be solely driven by model-predicted data.
• Abstract（参考訳）: Inlicit Neural Representation (INR) の応用は、巨大なボリュームデータセットをコンパクトに表現するための有望なディープラーニングアプローチとして現れている。 これらのモデルはボリュームデータのサロゲートとして機能し、モデル予測による効率的なストレージとオンデマンドの再構築を可能にする。 しかし、従来の決定論的INRは、モデルの予測の不確実性やデータに固有のノイズの影響に関する洞察のない価値予測のみを提供する。 この制限は、再構成されたボリュームの予測の不正確さによる信頼性の低いデータの解釈と可視化につながる可能性がある。 モデル予測データから抽出された誤った結果の同定は, 原データのサイズが大きいため, 利用できない可能性がある。 この課題に対処するために、正規化Evidential Implicit Neural Representation(REV-INR)を導入し、推論中にトレーニングされたREV-INRの1つのフォワードパスのみを使用して、関連する座標レベルのデータ不確実性とモデル不確実性とともに、データ値の正確な予測を学習する。 本稿では,REV-INRと既存の確固とした深部不確実性推定手法を総合的に比較・対比することにより,REV-INRが高速な推定時間を用いて,ロバストなデータ(アラート性)とモデル(緊急性)の不確実性推定を用いて,最高のボリューム復元品質を達成することを示す。 その結果、REV-INRは、抽出した等表面の信頼性と信頼性、および体積可視化結果の評価を容易にし、解析をモデル予測データのみで行うことができることを示した。

関連論文リスト

• Distillation-Accelerated Uncertainty Modeling for Multi-Objective RTA Interception [6.815446986729023]
  DAUMは、多目的学習と不確実性モデリングを統合する共同モデリングフレームワークである。 DAUMに基づいて知識蒸留を適用し,不確実性モデリングの計算オーバーヘッドを低減する。 JD広告データセットの実験は、DAUMが常に予測性能を改善することを示した。
  論文  参考訳（メタデータ） (2025-11-05T08:14:12Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Principled Input-Output-Conditioned Post-Hoc Uncertainty Estimation for Regression Networks [1.4671424999873808]
  不確実性は安全性に敏感なアプリケーションでは重要であるが、予測性能に悪影響を及ぼすため、市販のニューラルネットワークから排除されることが多い。 本稿では,従来の入力と凍結モデルの両方に補助モデルを適用することにより,回帰タスクにおけるポストホック不確実性推定のための理論的基盤となるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-01T09:13:27Z)
• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• Are you SURE? Enhancing Multimodal Pretraining with Missing Modalities through Uncertainty Estimation [12.459901557580052]
  我々は、遅延空間再構成と不確実性推定を導入して、事前訓練されたマルチモーダルモデルの能力を拡張した新しいフレームワークSUREを提案する。 SuREは、不完全なデータが存在する場合でも、常に最先端のパフォーマンスを達成し、堅牢な予測を確実にすることを示す。
  論文  参考訳（メタデータ） (2025-04-18T05:07:20Z)
• Evidential time-to-event prediction with calibrated uncertainty quantification [12.446406577462069]
  Time-to-event分析は、臨床予後と治療勧告に関する洞察を提供する。 本稿では,時間とイベントの予測に特化して設計された明らかな回帰モデルを提案する。 我々のモデルは正確かつ信頼性の高い性能を提供し、最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-12T15:06:04Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。