Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching
Southeast University（东南大学）；The University of Melbourne（墨尔本大学）；Stanford University（斯坦福大学）；National University of Singapore（新加坡国立大学）；Imperial College London（伦敦帝国学院）；Alibaba Group（阿里巴巴集团）
针对现有立体匹配研究中不确定性估计与分析不足、难以分解数据与模型两类不确定性的问题，提出基于贝叶斯风险的不确定性感知立体匹配框架，可高效准确估计两类不确定性且不降低视差预测精度。
2025-03-19 cs.CV
Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive Person Re-Identification
Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心（BNRist））；Tsinghua University（清华大学）
基于无监督域自适应（UDA）的人员重新识别（ReID）减少了详尽的注释。然而，由于不理想的特征嵌入和不完美的聚类，伪标签的目标领域数据固有地包含一个未知的比例错误的，这将误导特征学习。在本文中，我们提出了一种方法命名为概率不确定性引导渐进标签精炼（P $^2$ LR）的领域自适应的人重新识别。首先，我们建议用概率距离和理想的单峰分布来模拟标签的不确定性。建立了一个量化的标准来衡量伪标签的不确定性，以方便网络的训练。其次，我们探索了一种渐进的策略来细化伪标签。通过不确定性引导的替代优化，我们在目标域数据的探索和噪声标记的负面影响之间取得了平衡。在强大的基线之上，我们获得了显着的改进，并在四个UDA ReID基准上实现了最先进的性能。具体来说，我们的方法在Duke2Market任务上的表现优于基线6.5%mAP，而在Market2MSMT任务上的表现则超过了最先进的方法2.5%mAP。
2022-04-28 cs.CV
Uncertainty driven probabilistic voxel selection for image registration
McGill University（麦吉尔大学）
本文提出了一种新的概率体素选择策略，用于时间敏感背景下的医学图像配准，其目标是积极的体素采样（例如，使用不到总数的1%），同时保持配准精度和低故障率。我们开发了一个贝叶斯框架，其中，首先，体素采样概率场（VSPF）的基础上建立的不确定性的变换参数。然后，我们描述了一个实用的，多尺度配准算法，其中，在每次优化迭代，不同的体素子集的基础上采样的VSPF。该方法最大限度地提高准确性，而不承诺一个特定的固定子集的体素。所开发的概率抽样方案被证明可以管理传统随机体素选择的鲁棒性（通过允许更多探索）和固定体素选择的准确性（通过允许更大比例的信息体素）之间的权衡。
2020-10-02 cs.CV
Is segmentation uncertainty useful?
University of Copenhagen（哥本哈根大学）；Technical University of Denmark（丹麦技术大学）
概率图像分割编码不同的预测置信度和分割问题中固有的模糊性。虽然不同的概率分割模型的目的是捕捉不同方面的分割不确定性和模糊性，这些建模的差异很少讨论的不确定性的应用程序的上下文中。我们考虑分割不确定性的两个常见用例，即分割质量评估和主动学习。我们认为四个既定的策略概率分割，讨论他们的建模能力，并调查他们在这两个任务的表现。我们发现，对于所有的模型和两个任务，返回的不确定性与分割误差呈正相关，但并没有证明是有用的主动学习。
2021-03-30 cs.CV
Uncertainty in multitask learning: joint representations for probabilistic MR-only radiotherapy planning
University College London（伦敦大学学院）；King’s College London（伦敦国王学院）；National University of Singapore（新加坡国立大学）
多任务神经网络体系结构提供了一种联合集成来自不同来源的信息的机制。它在仅MR放射治疗计划的背景下是理想的，因为它可以联合回归合成CT（synCT）扫描和从MRI分割危险器官（OAR）。我们提出了一个概率多任务网络，估计：1）内在的不确定性，通过异方差噪声模型的空间自适应任务损失加权和2）参数不确定性，通过近似贝叶斯推理。这允许对共享其网络表示的多个分段和同步CT进行采样。我们在前列腺癌扫描上测试了我们的模型，结果表明，它可以产生更准确和一致的synCT，更好地估计误差方差，最先进的OAR分割结果和放射治疗计划中的质量保证方法。
2018-06-18 cs.CV
PNeRF: Probabilistic Neural Scene Representations for Uncertain 3D Visual Mapping
I3S-CNRS（I3S-法国国家科学研究中心）；Université Cote d’Azur（蔚蓝海岸大学）
近年来，神经场景表示在三维场景的可视化方面取得了令人瞩目的成果，但其研究和进展主要局限于计算机图形学中虚拟模型的可视化和计算机视觉中场景的重建，而没有明确考虑传感器和姿态的不确定性。然而，在机器人应用中使用这种新颖的场景表示将需要考虑神经映射中的这种不确定性。因此，本文的目的是提出一种新的方法，用于训练{ \em概率神经场景表示}与不确定的训练数据，可以使这些表示在机器人应用中的列入。使用相机或深度传感器获取图像包含固有的不确定性，此外，用于学习3D模型的相机姿势也是不完美的。如果这些测量用于训练而不考虑其不确定性，则所得模型是非最佳的，并且所得场景表示可能包含诸如模糊和不均匀几何结构的伪影。在这项工作中，不确定性集成到学习过程中的问题进行了研究，通过集中在训练与不确定性信息的概率方式。所提出的方法涉及显式地增加与不确定性项的训练可能性，使得学习的网络的概率分布最小化相对于训练的不确定性。它将被证明，这导致更准确的图像渲染质量，除了更精确和一致的几何形状。在合成数据集和真实数据集上进行了验证，表明所提出的方法优于最先进的方法。实验结果表明，即使在训练数据有限的情况下，该方法也能绘制出新颖的高质量视图。
2022-09-23 cs.CV
Deep Mixture Density Network for Probabilistic Object Detection
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
目标检测中的错误/不确定性可能导致在现实世界中部署机器人时的灾难。在本文中，我们测量的不确定性的目标定位，以尽量减少这种风险。在具有挑战性的病例（如闭塞）中，无障碍会出现。被遮挡对象的限界框边界可以具有多个合理配置。本文提出了一种用于概率目标检测的深度多元混合高斯模型。协方差有助于学习边界之间的关系，并且混合成分可能学习被遮挡部分的不同配置。定量地，我们的模型在CrowdHuman和MS-COCO上分别将基线的AP提高了3.9%和1.4%，几乎没有计算或内存开销。定性地说，我们的模型具有可解释性，因为由此产生的协方差矩阵和混合成分有助于测量不确定性。
2020-07-02 cs.CV
Remember with Confidence: Uncertainty Quantification for Spatio-temporal Memory with Probabilistic Guarantees
MIT（麻省理工学院）
针对机器人长期操作中VLM描述噪声大、视角不一致的问题，提出目标级语义不确定性评分，并集成到UQ-DAAAM系统中，通过主动选择高质量视图和融合多视角描述来降低不确定性，同时提供概率保证。
2026-06-06 cs.CV
FG-NeRF: Flow-GAN based Probabilistic Neural Radiance Field for Independence-Assumption-Free Uncertainty Estimation
Peking University（北京大学）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）；UC San Diego（加利福尼亚大学圣迭戈分校）
针对现有概率神经辐射场依赖独立性假设影响复杂场景性能的问题，提出基于Flow-GAN的FG-NeRF，通过均值偏移概率残差模型和图像块对抗学习实现无显式似然的场景分布建模，在合成与真实数据集上取得更优渲染精度和不确定性估计效果。
2023-10-04 cs.CV
Probabilistic Diffeomorphic Registration: Representing Uncertainty
Harvard Medical School（哈佛医学院）；INRIA Sophia Antipolis-Méditerranée（法国国家信息与自动化研究所索菲亚-安提波利斯-地中海中心）；University of North Carolina（北卡罗来纳大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种新的数学框架来表示大变形几何图像配准中的不确定性。贝叶斯后验分布的变形对齐移动和固定的图像近似通过变分公式。一个随机微分方程（ESDs）建模的变形作为一个随时间变化的速度场的演变导致一个先验密度的形式的高斯过程的变形。这允许估计完整的后验分布，以表示不确定性，与后验通过蒙特卡洛采样近似或最大化最大后验（MAP）估计的方法相反。该框架的工作证明了在基于地标的图像配准的情况下，包括模拟数据和注释的术前和术中的3D图像。
2017-01-12 cs.CV
Intra-Class Probabilistic Embeddings for Uncertainty Estimation in Vision-Language Models
Queensland University of Technology（昆士兰理工大学）
本研究提出一种无需训练的后处理方法，通过类内概率嵌入提升视觉-语言模型的不确定性估计，有效检测错误预测。
2025-12-06 cs.CV
Uncertainty-aware Probabilistic 3D Human Motion Forecasting via Invertible Networks
The State Key Laboratory of Virtual Reality Technology and Systems, Beihang University, Beijing, China（虚拟现实技术与系统国家重点实验室，北京航空航天大学）；Department of Computer Science, Durham University（计算机科学系，杜伦大学）；Zhongguancun Laboratory, Beijing, China（中关村实验室，北京）
本文提出ProbHMI，通过可逆网络在解耦隐空间中进行概率动力学建模并显式预测未来隐分布，从而在三维人体运动预测中实现有效的不确定性量化，兼顾确定性预测与多样化预测性能。
2025-07-19 cs.CV cs.RO
Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware Regression
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）；Beijing Normal University（北京师范大学）
不确定性是唯一的确定性。建模数据不确定性对于回归是必不可少的，特别是在无约束的设置中。传统的直接回归公式被认为是通过修改输出空间的概率分布的某个家庭的不确定性建模。另一方面，基于分类的回归和基于排序的解决方案在实践中更受欢迎，而直接回归方法则受到性能的限制。如何在当今的回归技术中对不确定性进行建模仍然是一个悬而未决的问题。在本文中，我们建议学习概率序数嵌入，它将每个数据表示为多变量高斯分布，而不是潜在空间中的确定性点。提出了一个有序分布约束，以利用回归的有序性。我们的概率序嵌入可以集成到流行的回归方法，并赋予他们的不确定性估计的能力。实验结果表明，我们的方法取得了竞争力的性能。代码可在https://github.com/Li-Wanhua/POEs上获得。
2021-03-25 cs.CV cs.LG
A review of uncertainty quantification in medical image analysis: probabilistic and non-probabilistic methods
Saw Swee Hock School of Public Health, National University of Singapore（新加坡国立大学苏瑞福公共卫生学院）；University of Rouen Normandy（鲁昂诺曼底大学）；Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所）
本综述全面梳理医学图像分析中机器学习模型的不确定性量化方法，涵盖概率与非概率方法，并讨论医学应用、评估协议及未来研究方向，以促进临床与技术研究者的理解。
2023-10-09 cs.CV eess.IV
Probabilistic RGB-D Odometry based on Points, Lines and Planes Under Depth Uncertainty
University of Surrey（萨里大学）
这项工作提出了一个强大的视觉里程计方法，结构化的环境相结合的点特征与直线和平面段，通过RGB-D相机提取。噪声深度图由基于高斯混合的概率深度融合框架处理，以去噪并导出深度不确定性，然后在整个视觉里程计管道中传播深度不确定性。概率三维平面和直线拟合的解决方案被用来模拟的不确定性的特征参数和姿态估计通过组合的三种类型的基元的基础上他们的不确定性。性能评估在这项工作中收集的RGB-D序列和两个公共的RGB-D数据集：TUM和ICL-NUIM显示使用建议的深度融合框架和组合的三个功能类型的好处，特别是在场景中的低纹理表面，动态对象和丢失的深度测量。
2018-01-18 cs.CV cs.RO
Labels Are Not Perfect: Improving Probabilistic Object Detection via Label Uncertainty
Corporate Research, Robert Bosch GmbH（罗伯特·博世公司企业研究部）；Institute of Measurement, Control and Microtechnology, Ulm University（乌尔姆大学测量、控制与微技术研究所）
可靠的不确定性估计对于自主驾驶中的鲁棒目标检测至关重要。然而，以前的工作概率目标检测要么学习预测概率限界框回归在无监督的方式，或使用简单的算法来做不确定性正则化。这导致不稳定的训练或次优的检测性能。在这项工作中，我们利用我们以前提出的方法估计固有的不确定性地面真理限界框参数（我们称之为标签的不确定性），以提高检测精度的概率激光雷达为基础的对象检测器。在KITTI数据集上的实验结果表明，我们的方法在平均精度方面超过了基线模型和基于简单几何学的模型，最高可达3.6%。
2020-08-10 cs.CV cs.LG
Can We Trust You? On Calibration of a Probabilistic Object Detector for Autonomous Driving
Robert Bosch GmbH（罗伯特·博世股份有限公司）；Ulm University（乌尔姆大学）
可靠的不确定性估计对于安全自动驾驶中的感知系统至关重要。最近，已经提出了许多方法来对基于深度学习的对象检测器中的不确定性进行建模。然而，估计的概率往往是未经校准的，这可能会导致严重的问题，在安全关键的情况下。在这项工作中，我们确定这样的不确定性误校准问题的概率LiDAR三维目标检测网络，并提出了三个实用的方法，以显着减少不确定性校准的错误。在几个数据集上的大量实验表明，我们的方法产生了校准良好的不确定性，并在不同的数据集之间推广良好。
2019-09-26 cs.CV cs.RO
Probabilistic Embeddings for Frozen Vision-Language Models: Uncertainty Quantification with Gaussian Process Latent Variable Models
Computer Vision Group, Friedrich Schiller University Jena（计算机视觉组，费迪里奇·施勒尔大学耶纳）
本文提出GroVE，一种基于高斯过程潜变量模型的事后方法，从冻结的视觉-语言模型中学习不确定性感知的概率嵌入，在跨模态检索、视觉问答和主动学习等任务上实现了最先进的不确定性校准。
2025-07-04 cs.CV cs.LG
A Simple Probabilistic Model for Uncertainty Estimation
本文以单导联心电图检测心房颤动为例，重点研究了模型的预测不确定性。为此，该模型预测贝塔分布在类概率上的参数，而不是这些概率本身。结果表明，所描述的方法允许检测非典型记录，并显着提高算法的质量，对置信度的预测。
2018-07-24 cs.CV cs.LG stat.ML
Uncertainty-based Cross-Modal Retrieval with Probabilistic Representations
Samsung AI Centre Toronto（多伦多三星人工智能中心）；York University（约克大学）；University of Toronto（多伦多大学）
概率嵌入已被证明对于捕获多义词含义以及图像匹配中的歧义是有用的。在本文中，我们研究了概率嵌入在跨模态设置（即，文本和图像），并提出了一种简单的方法，取代标准的矢量点嵌入在现有的图像-文本匹配模型与概率分布，参数学习。我们的指导假设是，概率嵌入中编码的不确定性捕获了输入实例中的跨模态模糊性，并且通过捕获这种不确定性，概率模型可以在下游任务中表现得更好，例如图像到文本或文本到图像检索。通过对标准和新基准的广泛实验，我们在跨模态检索中展示了概率表示的一致优势，并验证了我们的嵌入捕获不确定性的能力。
2022-04-20 cs.CL cs.CV cs.IR
The Probabilistic Normal Epipolar Constraint for Frame-To-Frame Rotation Optimization under Uncertain Feature Positions
Technical University of Munich（慕尼黑工业大学）；University of Bonn（波恩大学）
在计算机视觉中，两个摄像机的相对姿态估计是一个基本问题。Kneip等人提出通过引入法向对极线约束（NEC）来解决这个问题。然而，他们的方法没有考虑不确定性，因此估计的相对姿态的准确性高度依赖于目标帧中的准确特征位置。在这项工作中，我们引入了概率正常极线约束（PNEC），克服了这一限制占各向异性和非均匀的不确定性特征位置。为此，我们提出了一个新的目标函数，以及一个有效的优化方案，有效地最大限度地减少我们的目标，同时保持实时性能。在合成数据上的实验中，我们证明了新的PNEC比原来的NEC和几个流行的相对旋转估计算法产生更准确的旋转估计。此外，我们将所提出的方法集成到一个最先进的单目旋转测距系统中，并在现实世界的KITTI数据集上实现了一致的改进结果。
2022-04-05 cs.CV cs.RO
Probabilistic Concept Bottleneck Models
Seoul National University（首尔国立大学）
针对CBM确定性概念预测无法处理概念歧义的问题，本文提出ProbCBM，用概率概念嵌入建模并传递概念不确定性，从而提升类别预测解释的可靠性。
2023-06-02 cs.AI cs.CV cs.LG
Probabilistic Spatial Analysis in Quantitative Microscopy with Uncertainty-Aware Cell Detection using Deep Bayesian Regression of Density Maps
ETH Zurich（苏黎世联邦理工学院）；University of Zurich（苏黎世大学）；Uppsala University（乌普萨拉大学）
3D显微镜是研究不同生物系统的关键，而不断增加的大型数据集的可用性要求自动细胞识别方法不仅准确，而且还可以暗示其预测的不确定性，以告知潜在的错误，从而对使用它们的结论有信心。虽然传统的深度学习方法通常会产生确定性的结果，但深度贝叶斯学习的进步允许在许多图像分类和分割任务中进行具有概率解释的准确预测。然而，将这种贝叶斯方法扩展到细胞检测是不平凡的，这需要专门的学习框架。特别是，密度图的回归是用于在后处理步骤中从局部峰提取细胞坐标的流行的成功方法，这阻碍了任何有意义的概率输出。我们在此提出了一种基于深度学习的细胞检测框架，其可以对大型显微镜图像进行操作，并通过以下方式输出期望的概率预测：（i）集成贝叶斯技术以用于不确定性感知密度图的回归，其中可以应用峰值检测来生成细胞提议，以及（ii）学习从众多提议到被校准的概率空间的映射，即准确地表示成功预测的机会。利用这种校准的预测，我们提出了一个概率空间分析与蒙特卡洛抽样。我们证明了这一点，在修改现有的描述骨髓内的间充质基质细胞类型的分布，我们提出的方法使我们能够揭示空间模式，否则无法检测。在定量显微镜管道中引入这种概率分析将允许报告用于测试空间分布的生物学假设的置信区间。
2021-02-23 cs.CV cs.LG eess.IV
Probabilistic framework for solving Visual Dialog
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
在本文中，我们提出了一个概率框架，解决任务的“可视对话框”。解决这个问题需要推理和理解的视觉形态，语言形态和常识知识来回答。已经提出了各种架构来通过组合视觉和语言表示的多模态深度学习技术的变体来解决这个任务。然而，我们认为，理解和分析不确定性的来源对于解决这一任务至关重要。我们的方法允许估计不确定性，也有助于产生不同的答案。所提出的方法是通过一个概率表示模块，为我们提供了图像，问题和会话历史的表示，一个模块，确保候选答案的不同的潜在表示得到给定的概率表示和不确定性表示模块，选择适当的答案，最大限度地减少不确定性。我们通过详细的消融分析、与最先进技术的比较以及有助于理解该方法的不确定性的可视化来彻底评估该模型。使用所提出的概率框架，我们从而获得一个改进的视觉对话系统，也更易于解释。
2019-10-17 cs.CL cs.CV cs.LG
Probabilistic Neighbourhood Component Analysis: Sample Efficient Uncertainty Estimation in Deep Learning
Carnegie Mellon University（卡内基梅隆大学）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
虽然深度神经网络（DNN）在各种应用中达到了最先进的精度，但它们通常无法准确估计其预测的不确定性，进而无法识别这些预测何时可能是错误的。在文献中已经提出了几种不确定性感知模型，例如贝叶斯神经网络（BNN）和深度集成，用于量化预测不确定性。然而，这一领域的研究主要局限于大数据领域。在这项工作中，我们表明，当训练数据的量很小时，最先进的BNN和深度包围模型的不确定性估计能力显着下降。为了解决小数据下精确不确定性估计的问题，我们提出了一种流行的样本有效的非参数kNN方法的概率推广。我们的方法使深度kNN分类器能够准确量化其预测中的潜在不确定性。我们证明了所提出的方法的有用性，通过实现优越的不确定性量化相比，最先进的COVID-19诊断的胸部X射线的现实世界中的应用。我们的代码可在https://github.com/ankurmallick/sample-efficient-uq上获得
2020-07-18 cs.CV cs.LG eess.IV
Variational Imbalanced Regression: Fair Uncertainty Quantification via Probabilistic Smoothing
Georgia Institute of Technology（佐治亚理工学院）；Rutgers University（罗格斯大学）
本文提出变分不平衡回归（VIR）模型，通过借用相似标签数据计算潜在表示的变分分布并预测整个正态逆伽马分布分布进行实现概率重加权，在准确性和不确定性性估计上优于现有不平衡回归模型。
2024-11-10 cs.CV cs.LG cs.NE
Deep Probabilistic Imaging: Uncertainty Quantification and Multi-modal Solution Characterization for Computational Imaging
California Institute of Technology（加州理工学院）
计算图像重建算法通常产生单个图像，而没有任何不确定性或置信度的测量。逆问题的正则化最大似然（RML）和前馈深度学习方法通常侧重于恢复点估计。当与欠定成像系统一起工作时，这是一个严重的限制，其中可以想象多个图像模式将与测量数据一致。因此，描述解释观测数据的可能图像空间至关重要。在本文中，我们提出了一种变分深度概率成像方法来量化重建的不确定性。深度概率成像（DPI）采用未经训练的深度生成模型来估计未观察图像的后验分布。这种方法不需要任何训练数据;相反，它优化了神经网络的权重，以生成适合特定测量数据集的图像样本。一旦学习了网络权重，就可以有效地对后验分布进行采样。我们证明了这种方法的背景下，干涉无线电成像，这是用于黑洞成像的事件地平线望远镜，和压缩传感磁共振成像（MRI）。
2020-12-17 astro-ph.IM cs.CV cs.LG
