图像到图像翻译的不确定性感知正则化

量化深度网络中不确定性的重要性已成为可靠实际应用的关键因素。本文提出一种方法，用于提高医学图像到图像 (I2I) 翻译中的不确定性估计。我们的模型集成偶然不确定性，并采用不确定性感知正则化 (Uncertainty-Aware Regularization, UAR) 以简洁的先验条件为灵感，细化不确定性估计并提升重构质量。我们展示，通过利用参数上的简单先验条件，本方法能够捕获更稳健的不确定性图，从而精准指示网络遇到困难的区域，并且对噪声不敏感。我们的实验表明，UAR 不仅提高了翻译性能，还提供更好的不确定性估计，尤其在噪声和伪影存在时效果更佳。我们使用两个医学影像数据集进行验证，展示了其在保持熟悉区域高置信度的同时，准确识别新/模糊情景中不确定性区域的有效性。