针对微调隐式函数的不确定性建模
计算机视觉与模式识别
2025-03-24 v2 人工智能
机器学习
摘要
隐式函数，如神经辐射场(NeRF)、占据网络和符号距离函数(SDF)，已成为计算机视觉中从稀疏视角重建详细物体形状的关键技术。由于输入极度稀疏且数据损坏引起分布迁移，这些模型的优化性能往往富有挑战性。为此，大规模无噪声合成数据集可作为形状先验用于填补空白，但必须谨慎对待这些重建结果。不确定性估计对于评估这些重建质量尤为重要，特别是能否识别模型对从先验推断出的部位持不确定性的区域。在本文中，我们引入了 Dropsembles，这是一种用于调谈隐式函数不确定性估计的新方法。我们通过一系列实验展示了该方法的有效性，从玩具示例到真实场景。具体而言，我们在合成解剖数据上训练卷积占据网络，并在低分辨率 MRI 脊椎管段分割上进行测试。我们的结果表明，Dropsembles 在准确率和校准水平上与深度集成相当，但计算成本显著降低。
关键词
引用
@article{arxiv.2406.12082,
title = {Uncertainty modeling for fine-tuned implicit functions},
author = {Anna Susmelj and Mael Macuglia and Nataša Tagasovska and Reto Sutter and Sebastiano Caprara and Jean-Philippe Thiran and Ender Konukoglu},
journal= {arXiv preprint arXiv:2406.12082},
year = {2025}
}