面向逆问题的数字先验下的分布迁移不确定性估计

生成模型在解决逆问题（如从欠采样测量重建医学图像）方面显示出巨大的潜力。尽管这些先验方法通过减少测量次数提高了重建质量，但当测试图像位于训练分布之外时，风险会产生幻觉特征。现有方法存在以下不足：（1）需要分布内校准数据集，而该数据集可能不可得；（2）提供的不确定性估计具有启发式而非统计学特性；或（3）从模型容量或有限测量而非分布迁移对不确定性进行量化。我们提出一种基于实例的、无校准的不确定性指示器，对分布迁移敏感，无需训练分布知识，且无需重新训练。我们的核心假设是：分布内图像在随机测量变化下保持稳定的重建，而分布外(OOCD)图像则表现出更大的不稳定性。我们利用这种稳定性作为检测分布迁移的代理指标。该不确定性指示器可高效计算于任何计算成像逆问题中；我们在MNIST数字的断层扫描重建中进行演示，仅在数字“0”上训练的学习型先验网络被用于评估所有十个数字。OOCD数字的重建显示更高的变异性，对应更高的重建误差，验证了该指示器。这些结果表明，可将生成先验与轻量级警戒系统结合部署，实现对分布内情况的激进测量降低，同时在先验应用到分布外时自动发出警报。