利用生成对抗网络的马尔可夫链蒙特卡罗方法进行理想观察者计算
使用任务为基础的图像质量(IQ)评估方法,结合随机物体模型、生成对抗网络和噪声测量数据,本文提出了一种名为 AmbientCycleGAN 的新型方法,能够稳定地建立医学图像中的随机物体模型,并能控制合成物体的图像特征。
Feb, 2024
使用增量生成蒙特卡洛(IGMC)方法,可以使用深度生成方法来衡量深度神经网络的不确定性。IGMC 通过迭代训练生成模型,并将其输出添加到数据集中,计算随机变量的期望的后验分布。我们提供了关于 IGMC 相对于样本大小和采样深度的收敛速率的理论保证。由于 IGMC 与深度生成方法兼容,因此适用于神经网络分类和回归任务。我们在 MNIST 数字分类任务上对 IGMC 的行为进行了经验研究。
Oct, 2023
本文提出了一种基于 GAN 的框架,其中 (i) 模型自适应损失函数以提高模型对 OOD - 噪声数据的鲁棒性,(ii) 对预测的每个体素的不确定性进行了估计,在医学成像领域表现出优异的性能。
Oct, 2021
该论文介绍了一种新的方法使用生成对抗网络生成接近真实经济数据的人工数据,而且可以限制研究者的操作,以评估某种统计方法在特定数据集上的性能,从而提高研究的可靠性。
Sep, 2019
本文提出了一种基于蒙特卡洛方法的插拔算法,用于解决不适定问题中的图像重建及不确定性量化,并通过后验抽样结合生成先验实现高质量图像重建和不确定性量化。在理论分析中,证明了该算法的收敛性,即使在存在非对数凹似然函数和非完美评分网络的情况下,也能提供非渐进稳定性保证。实验结果表明,该算法显著提高了重建质量并实现了高保真度的不确定性量化。
Oct, 2023
本研究提出 Generated Image Quality Assessment (GIQA) 算法,从学习和数据两个角度,定量评估 GAN 模型生成的图像质量。实验证明 GIQA 算法结果与人工评估基本一致,可应用于 GAN 模型的真实性和多样性评估,并能在训练中支持在线 hard negative mining。
Mar, 2020
这篇文章利用蒙特卡罗方法研究了现有的贝叶斯成像方法在重复实验中的概率结果是否具有可靠性,在探索了五种典型的贝叶斯成像策略后发现,现有方法通常不能提供可靠的不确定性量化结果。
May, 2024
在高概率内提供准确的预测和估计,并比较了使用 Markov Chain Monte Carlo 和 Variational Inference 训练的贝叶斯神经网络在高光谱成像中的目标检测中的性能表现。
Aug, 2023