在成像逆问题中，通过缺失或损坏的测量数据来恢复图像是一个不适定问题，因此我们提出了一种以任务为中心的方法来量化测量和恢复过程中引起的不确定性，其中使用符合性预测构建了一个区间，并保证以用户指定的概率包含真实图像的任务输出，并使用该区间的宽度来量化由测量和恢复产生的不确定性，我们还提出了一种在多轮测量中停止，直到任务的不确定性降至可接受水平的方法，该方法在加速磁共振成像 (MRI) 上进行了验证。

May, 2024

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

基于参数引导算法的等变形式，该方法可以使用任何图像重建技术来量化不确定性，同时能处理无真实数据情况下的图像重建，并在实验证明该方法在估计准确度、不确定性量化和计算时间方面优于现有方法。

Oct, 2023

本文提出了一种基于生成模型的贝叶斯逆问题方法，特别针对图像重建中的噪声和不完整图像，并解决了贝叶斯重建中遇到的常见问题：使用包含所有可用信息的复杂数据驱动先验，并在潜在空间和数据空间中进行可计算的不确定性量化。

Oct, 2019

该研究提出了一种利用未经训练的深度生成模型估计未观察图像的后验分布的方法，从而量化重建不确定性。这种方法不需要训练数据，而是优化神经网络的权重以生成适合特定测量数据集的图像样本，通过这种方法，在干涉射电成像和压缩感知磁共振成像等领域得出了实证结果。

Oct, 2020

本文提出了一种新的针对回归任务中不确定性预测校准的方法和评估方法，并通过对合成问题和对 COCO 和 KITTI 数据集的物体检测边界框回归任务的实验验证，展示出基于直方图的聚类方法和基于缩放的校准方法的效果相当好。

May, 2019

综合机器学习医疗模型在临床实践中的应用仍然不理想，缺乏证据证明其可靠性进而限制了其广泛应用。本文综述了用于各种医学图像任务中开发的机器学习模型的不确定性量化方法，包括概率和非概率方法，以全面调研与不确定性量化相关的研究。该综述对医学图像的分析和医学应用以及相应的不确定性评估协议进行了讨论，并强调了未来的研究方向。整体上，本综述旨在帮助临床和技术领域的研究人员快速而深入地了解医学图像分析机器学习模型中的不确定性量化研究。

Oct, 2023

文章提出了一种新的方法将深度回归问题由连续问题转化为离散二分类问题来提高深度估计的准确性和鲁棒性，在保证实时性的前提下比先前方法能更好地估计不确定性，显著降低因不确定性导致的估计误差，并提高三维地图重建的精确度和内存效率。

Dec, 2019

提出 PUQ（主要不确定性量化）—— 一种新的不确定区域定义和相应的分析方法，可以考虑图像内的空间关系，以提供更小的不确定性区域，并通过实验验证其有效性。

May, 2023

基于鲁棒分位数回归和深度学习的方法，在关键特征异常值存在的情况下，提出了用于估计不确定性的方法，并在医学成像翻译任务中展示了其适用性。

Sep, 2023