CVPRFeb, 2018

结构化不确定性预测网络

PDF
TL;DR本篇论文首次提出了一种网络模型，其可预测合成图像的结构化不确定性分布。模型可学习预测每个重构的完整高斯协方差矩阵，从而实现有效的采样和似然评估，通过该方法，能够准确地重构合成数据集的地面真实相关残差分布，并为真实面部图像生成可信度高的概率密度函数分布。同时，展示了合成图像的结构保留降噪方法。
发现论文，激发创造
  • 学习结构高斯模型来近似深度集成

    该论文提出使用稀疏结构多元高斯来逼近概率集成模型的输出，同时通过卷积神经网络实现，该方法显式地捕获了预测的不确定性和结构相关性，并且在单个网络中可以进行空间相关采样和测试时的任意空间限制，并在单目深度估计上得到可比较的数量表现。

    Mar, 2022

  • 基于层级变分神经不确定模型的随机视频预测

    提出一种基于神经不确定性量化器（NUQ）的层次化变分框架，并利用深度贝叶斯图模型，从而准确地预测视频的未来帧，同时可以权衡 MSE 丢失，从而比现有的模型更有效地训练，提高生成视频的质量和多样性。

    Oct, 2021

  • 批量归一化单图超分辨率网络的快速贝叶斯不确定性估计与降低

    采用贝叶斯方法为图像超分辨率模型估算输出的不确定性，并利用批标准化层的不确定性估算技术生成 Monte-Carlo 样本，提出一种更快的生成样本的方法，以及降低输入图像的模型不确定性的方法和抵御对抗性攻击的方法以提高模型的性能。

    Mar, 2019

  • 基于不确定性感知的零空间网络用于数据一致图像重建

    本文提出了一种结合深度网络和不确定性量化的反问题求解方法，旨在通过估算与输入相关的比例映射来评估重建质量，并成功地在医学成像领域等多个应用中实现了图像重建与加速 MRI 重建等挑战性任务。

    Apr, 2023

  • 稀疏贝叶斯网络：医学图像分析中高效的不确定性量化

    通过选择性地通过梯度敏感性分析评估确定性显著性，本研究引入了对稀疏（部分）贝叶斯网络的训练过程。通过将确定性参数与贝叶斯参数相结合，充分利用两种表示的优点，实现了高效的特定任务性能和最小化的预测不确定性。在多标签 ChestMNIST 分类和 ISIC、LIDC-IDRI 分割任务上表现出了有竞争力的性能和预测不确定性估计，相比完全贝叶斯化和集合方法，能够显著减少 95% 以上贝叶斯参数，从而大大降低计算开销。

    Jun, 2024

  • 可靠的方差网络训练和估计

    本研究提出了新的互补方法来估计回归神经网络中的预测方差网络，经验证明此方法大幅改善了预测不确定性的估计。

    Jun, 2019

  • 自回归结构预测中的不确定性估计

    本论文研究基于概率集成框架实现自回归结构化预测任务中的不确定性估计，并提供了 WMT'14 英语 - 法语、WMT'17 英语 - 德语翻译和 LibriSpeech 语音识别数据集上的基准测试结果。

    Feb, 2020

  • 基于贝叶斯深度卷积编码 - 解码网络的代理建模和不确定性量化

    本文提出了一种使用卷积神经网络实现的关于具有随机偏微分方程的不确定性建模的代理模型，该方法使用变分梯度下降算法对参数进行 “近似贝叶斯推断”，可以在处理不确定性时实现和其他方法相比具有最先进的预测精度和不确定性量化，即使训练数据量相对较小，也能获得非常好的性能。

    Jan, 2018

  • 推断时间采样量化预测不确定性

    通过后处理的抽样策略估计数据不确定性，该方法可用于任何前馈确定性网络，能生成多样化的预测分布，并与预测误差有着良好的相关性。

    Aug, 2023

  • 使用引导权重的深度学习中的稀疏不确定性表示

    本研究提出一种基于感知器的设计方案，该方案结合了贝叶斯神经网络和深度集成等现代方法，通过在每层的权重矩阵中加入少量的诱导权重来降低存储和计算成本，同时保持较好的预测精度和不确定性估计能力。

    May, 2021