本文提出了一种基于深度学习的方法，通过后验抽样在 PET 图像重建中进行不确定性量化。该方法基于条件生成对抗网络，其生成器近似于采样自贝叶斯反演中的后验。该文表明，所提出的模型生成高质量的后验样本，并产生具有物理意义的不确定性估计。

Jun, 2023

本文介绍了自然图像的一种先验算法 —— 深度图像先验，它使用卷积神经网络对随机输入进行输出，通过使用梯度下降来调整网络参数以使输出匹配观测值。该方法在一系列图像重建任务中表现良好。同时通过推导得出结论，该算法渐近等于一个平稳的高斯过程，这启发了贝叶斯推断的方法。通过使用随机梯度 Langevin 对后验推断实现去除过早终止的需要，并在去噪和修补任务中提高了结果表现。我们在一些一维和二维信号重建任务中验证了这些算法的实用价值。

Apr, 2019

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

本研究提出了一种基于贝叶斯框架的深度神经网络反问题求解方法，使用噪声分数匹配技术学习先验分布，并结合模拟退火算法对图像反问题进行全面采样，应用于磁共振成像重建，提供了高质量的图像重建以及重建图像中特定特征的不确定性评估。

Nov, 2020

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

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

基于深度学习的 MRI 重建技术在高度加速设置中取得了前所未有的重建质量，然而，深度学习技术也容易出现意外失败和结构产生幻觉，因此在临床实践中安全使用这项技术需要良好校准的不确定性量化，本文提出了一种基于条件层次变分自动编码器的新颖概率重建技术（PHiRec），展示了我们提出的方法不仅产生高质量的重建结果，而且比几个强基准模型具有更好的校准不确定性量化；此外，我们还展示了在 MR 重建过程中产生的不确定性如何传播到下游分割任务，并表明 PHiRec 还允许对分割不确定性进行良好校准的估计。

Aug, 2023

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

计算成像在确定稀疏测量中的隐藏信息方面起着重要的作用。我们提出了一种深度变分框架，利用深度生成模型来学习近似后验分布，以有效量化图像重建的不确定性，无需训练数据。我们通过使用基于流的模型参数化目标后验并最小化它们的 KL 散度来实现准确的不确定性估计。我们还引入了具有双向正则化的强大流模型，以增强稳定性，并通过梯度增强来增强表达能力。此外，我们还通过填充设计方法在潜在先验空间和目标后验空间实现了显著的方差减少。我们在几个基准任务和两个真实世界应用（即快速 MRI 和黑洞图像重建）上验证了我们的方法。我们的结果表明，我们的方法能够提供可靠且高质量的图像重建以及强大的不确定性估计。

Nov, 2023

本文提出了几种方法来提高基于深度学习的图像去模糊的稳定性，包括使用小型神经模型和引入预处理步骤。数值实验证实了这些方法的精度和稳定性，尤其是基于模型的框架在视觉精度和鲁棒性之间提供了最可靠的平衡。

May, 2023