RADMI：作为模型不确定性代理的隐含信息聚合
计算机视觉与模式识别
2026-05-05 v1
摘要
情报不确定性估计对于识别深度学习系统输出可能不可靠的区域至关重要。然而，现有方法需要计算昂贵的集成方法或多个随机前向传递，限制了其在此类分割等稠密预测任务中的可扩展性。我们提出了分辨率聚合解码器相互信息（RADMI），一种单传递方法，通过测量分割网络连续解码器层之间的相互信息（MI）来估计预测不确定性。我们观察到，较高的层间 MI 与预测不确定性相关，因为网络必须在模糊区域（如类别边界）处整合冲突的上下文信息。在地震岩相分割基准测试上，RADMI 在所有单传递方法中实现了最高的深度集成不确定性相关性，净人相关系数提高了 5.5%，斯佩曼相关系数提高了 10.7%。与不具备空间精度或需要显著计算开销的基线方法相比，RADMI 产生锐利、局部于边界的不确定性图，无需修改网络结构。我们的结果表明，线性聚合归一化信息流为编码器-解码器架构的预测不确定性提供了原则且高效的代理。
引用
@article{arxiv.2605.01502,
title = {RADMI: Latent Information Aggregation as a Proxy for Model Uncertainty},
author = {William Stevens and Mohit Prabhushankar and Ghassan AlRegib},
journal= {arXiv preprint arXiv:2605.01502},
year = {2026}
}
备注
7 pages, 4 figures, 3 tables, accepted to IEEE ICIP 2026