UncertaINR：用于计算机断层扫描的端到端隐式神经表示的不确定性量化
图像与视频处理
2023-05-04 v3 计算机视觉与模式识别
机器学习
摘要
隐式神经表示（INRs）在场景重建和计算机图形学中取得了令人印象深刻的成果，其性能主要在重建精度上被评估。随着 INRs 进入其他领域，其中模型预测为高风险决策提供信息，INR 推断的不确定性量化正变得关键。为此，我们在计算机断层扫描背景下研究 INRs 的贝叶斯重构，即 UncertaINR，并从精度和校准方面评估若干贝叶斯深度学习实现。我们发现它们实现了良好校准的不确定性，同时保持与其他经典、基于 INR 和基于 CNN 的重建技术相竞争的精度。与贝叶斯深度学习文献中的常见直觉相反，我们发现 INRs 通过计算高效的蒙特卡洛 dropout 获得了最佳校准，优于哈密顿蒙特卡洛和深度集成。此外，与表现最好的先前方法相比，UncertaINR 不需要大型训练数据集，而仅需少量验证图像。
引用
@article{arxiv.2202.10847,
title = {UncertaINR: Uncertainty Quantification of End-to-End Implicit Neural Representations for Computed Tomography},
author = {Francisca Vasconcelos and Bobby He and Nalini Singh and Yee Whye Teh},
journal= {arXiv preprint arXiv:2202.10847},
year = {2023}
}
备注
Published in the Transactions on Machine Learning Research (TMLR) April 2023 [https://openreview.net/forum?id=jdGMBgYvfX]