論文の概要: Structured SIR: Efficient and Expressive Importance-Weighted Inference for High-Dimensional Image Registration

• arxiv url: http://arxiv.org/abs/2603.17415v1
• Date: Wed, 18 Mar 2026 06:46:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.551823
• Title: Structured SIR: Efficient and Expressive Importance-Weighted Inference for High-Dimensional Image Registration
• Title（参考訳）: 構造化SIR:高次元画像登録のための効率的かつ表現的重要度重み付け推論
• Authors: Ivor J. A. Simpson, Neill D. F. Campbell,
• Abstract要約: 本稿では,高品位サンプルを用いた不確かさの表現的,多モーダルな特徴化を可能にする,メモリと計算効率のよい推論手法であるStructured SIRを提案する。 超高次元問題である脳MRIデータの3次元画像登録におけるこのアプローチの有効性を評価する。
• 参考スコア（独自算出の注目度）: 3.5173905895792306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image registration is an ill-posed dense vision task, where multiple solutions achieve similar loss values, motivating probabilistic inference. Variational inference has previously been employed to capture these distributions, however restrictive assumptions about the posterior form can lead to poor characterisation, overconfidence and low-quality samples. More flexible posteriors are typically bottlenecked by the complexity of high-dimensional covariance matrices required for dense 3D image registration. In this work, we present a memory and computationally efficient inference method, Structured SIR, that enables expressive, multi-modal, characterisation of uncertainty with high quality samples. We propose the use of a Sampled Importance Resampling (SIR) algorithm with a novel memory-efficient high-dimensional covariance parameterisation as the sum of a low-rank covariance and a sparse, spatially structured Cholesky precision factor. This structure enables capturing complex spatial correlations while remaining computationally tractable. We evaluate the efficacy of this approach in 3D dense image registration of brain MRI data, which is a very high-dimensional problem. We demonstrate that our proposed methods produces uncertainty estimates that are significantly better calibrated than those produced by variational methods, achieving equivalent or better accuracy. Crucially, we show that the model yields highly structured multi-modal posterior distributions, enable effective and efficient uncertainty quantification.
• Abstract（参考訳）: 画像登録は、複数のソリューションが同様の損失値を達成し、確率的推論を動機付ける、不測の高密度な視覚タスクである。 変分推論は、以前はこれらの分布を捉えるために用いられてきたが、後部形態に関する制限的な仮定は、特性の低下、過剰な自信、低品質なサンプルをもたらす可能性がある。 より柔軟な後部は、高密度3次元画像登録に必要な高次元共分散行列の複雑さによってボトルネックされる。 本研究では,高品位サンプルを用いた表現的,マルチモーダルな不確実性のキャラクタリゼーションを実現するための,メモリと計算効率のよい推論手法であるStructured SIRを提案する。 本稿では,低ランクな共分散の和と空間的に構造化された余分なコレスキー精度係数の和として,新しいメモリ効率の高い高次元共分散パラメータ化を備えたサンプリング重要度サンプリング(SIR)アルゴリズムを提案する。 この構造により、複雑な空間相関を計算可能のまま取得することができる。 超高次元問題である脳MRIデータの3次元画像登録におけるこのアプローチの有効性を評価する。 提案手法は, 変分法よりも精度の高い不確実性推定を導出し, 等価あるいは高精度な精度を実現することを実証する。 重要なことは、モデルが高度に構造化された多重モード後部分布を生じさせ、有効かつ効率的な不確実性定量化を可能にすることを示す。

関連論文リスト

• Metropolis-Hastings Sampling for 3D Gaussian Reconstruction [31.840492077537018]
  3次元ガウス平滑化のための適応型サンプリングフレームワーク(3DGS)を提案する。 我々の枠組みは, 確率的サンプリングプロセスとして, デンシフィケーションとプルーニングを改質することで限界を克服する。 提案手法は,最先端モデルのビュー合成品質を適度に上回りながら,より高速な収束を実現する。
  論文  参考訳（メタデータ） (2025-06-15T19:12:37Z)
• Nested Stochastic Algorithm for Generalized Sinkhorn distance-Regularized Distributionally Robust Optimization [4.989068568135242]
  分散ロバストシフト最適化(DRO)は、データ分散に対するロバストモデルのための強力な手法である。 本稿では、一般化近似関数によって不確実性をモデル化した正規化非DRO問題の解決を目的とする。
  論文  参考訳（メタデータ） (2025-03-29T01:01:02Z)
• Overcoming the Curse of Dimensionality in Reinforcement Learning Through Approximate Factorization [15.898378661128334]
  強化学習(RL)アルゴリズムは次元性の呪いに苦しむことが知られている。 本稿では,元のマルコフ決定過程(MDP)を,より小さく,独立に進化するMDPに大まかに分解することで,次元性の呪いを克服することを提案する。 提案手法は,両アルゴリズムに改良された複雑性保証を提供する。
  論文  参考訳（メタデータ） (2024-11-12T07:08:00Z)
• Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
  我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。 特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
  論文  参考訳（メタデータ） (2023-12-19T13:17:43Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• The Deep Generative Decoder: MAP estimation of representations improves modeling of single-cell RNA data [0.0]
  モデルパラメータと表現を直接最大後部推定(MAP)により計算する単純な生成モデルを提案する。 このアプローチの利点は、その単純さと、同等のVAEよりもはるかに小さな次元の表現を提供する能力である。
  論文  参考訳（メタデータ） (2021-10-13T12:17:46Z)
• 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)
• Recovering Joint Probability of Discrete Random Variables from Pairwise Marginals [22.77704627076251]
  確率変数(RV)の合同確率の学習は、統計信号処理と機械学習の基盤となる。 近年, 任意の数の RV の結合確率質量関数 (PMF) を3次元境界から復元する研究が提案されている。 正確に3次元の辺縁を推定することは、標本の複雑さの観点からもコストがかかる。 この研究は、ペアの辺りだけを用いて共同PMFを学習するための新しい枠組みを生み出した。
  論文  参考訳（メタデータ） (2020-06-30T15:43:44Z)

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。