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

CVPRMar, 2019

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

Fast Bayesian Uncertainty Estimation and Reduction of Batch Normalized Single Image Super-Resolution Network

Aupendu Kar, Prabir Kumar Biswas

TL;DR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。

Abstract

convolutional neural network (CNN) has achieved unprecedented success in image super-resolution tasks in recent years. However, the network's performance depends on the distribution of the training sets and degra

convolutional neural network image super-resolution bayesian approach uncertainty estimation adversarial defense mechanism

发现论文，激发创造

基于卷积神经网络的贝叶斯图像质量转换：探索扩散磁共振成像超分辨率模糊度

本文研究了使用卷积神经网络（CNN）进行三维重建的不确定性建模的价值。通过采用每个补丁的异方差噪声模型和近似贝叶斯推理的参数不确定性，作者展示了这两者联合起来可以带来最先进的扩散 MR 脑图像三维重建性能。该方法的概率特性为超解析的输出提供了一种自然的量化不确定性的机制，并通过对健康和病态大脑的实验证明了这种不确定性的重要性。

May, 2017

基于贝叶斯方法的批标准化深层网络不确定性估计

使用批归一化训练深度神经网络相当于在贝叶斯模型中进行近似推理，通过一系列实验验证此方法有效，对比基线和贝叶斯方法表现显著优于前者，与后者相媲美。

Feb, 2018

贝叶斯深度图像先验下的医学图像去噪中的不确定性估计

通过随机初始化卷积网络对图像进行参数化并执行梯度下降，以匹配观察结果的方法来量化反向医学成像任务中的不确定性，扩展到带有蒙特卡罗失活的贝叶斯方法，实现对预测不确定性的可靠估计，解决了大型数据集上深度神经网络出现幻觉和制品所带来的问题。

Aug, 2020

基于随机批标准化的不确定性估计

本文提出了对批标准化技术的概率解释，设计了一种概率模型，证明了批标准化可以最大化其较小边界的边际对数似然。基于新的概率模型，我们设计了一种一致性算法，以减少内存和计算成本，并提供了一种可扩展的不确定性估计技术。该方法在 MNIST 和 CIFAR-10 数据集上对受欢迎的架构进行了演示。

Feb, 2018

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

应用于肺结节检测的多级贝叶斯卷积神经网络中的不确定性传播

该研究针对计算机辅助肺结节检测问题，介绍了一种多阶段贝叶斯卷积神经网络架构中传播和融合不确定性信息的方法，并通过实验验证了通过传播不确定性信息可以提高模型预测准确性和置信度的效果。

Dec, 2017

计算机辅助诊断中的不确定性量化：让你的模型对模糊病例说 “不知道

对于集成预测不确定性以提高深度学习患者安全性的图像分类器，我们评估了两种不同的方法。我们发现，这些方法使用光学相干断层扫描的数据集训练，能够得出更可靠的结果，有望提高患者安全性。

Aug, 2019

基于采样的实例分割网络不确定性估计

本文探究机器学习模型预测不确定性模拟的一种技术 Monte-Carlo Dropout 的聚类方法，并使用贝叶斯高斯混合模型来解决效率问题。同时研究了不同的 dropout rate，focal loss 和标度等技术，并将它们整合到 Mask-RCNN 模型中，以获得每个实例最准确的不确定性估计并进行图形展示。

May, 2023

深度学习不确定性估计的通用框架

提出了一种用基于贝叶斯信任网络和蒙特卡罗采样的方法来对神经网络进行不确定性估计，这个方法具有与神经网络结构和任务无关，不需要优化进程的更改，能够应用于已经训练好的结构，有效地提高了准确性。

Jul, 2019

结构化不确定性预测网络

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。

Feb, 2018