Uncertainty quantification in medical image segmentation with normalizing flows
University of Copenhagen（哥本哈根大学）；Cerebriu A/S
由于诸如部分体积和解剖定义的变化等因素，医学图像分割本质上是一项模糊的任务。虽然在大多数情况下，分割的不确定性是围绕感兴趣的结构的边界，也可以有相当大的评分者之间的差异。条件变分自编码器（cVAE）类提供了一种原则性的方法来推断以输入图像为条件的合理分割的分布。从这样的分布的样本估计的分割不确定性可以比使用像素级概率分数更有信息性。在这项工作中，我们提出了一种新的条件生成模型，是基于条件规范化流（cFlow）。基本思想是通过在编码器之后引入cFlow变换步骤来增加cVAE的表达能力。这产生了潜在的后验分布的改进的近似，允许模型捕获更丰富的分割变化。通过这一点，我们表明，从我们的条件生成模型获得的样本的质量和多样性得到了增强。我们的模型，我们称之为cFlow Net的性能进行了评估，在两个医学成像数据集上，与最近的基于cVAE的模型相比，在定性和定量测量方面都有了实质性的改善。
2020-08-04 cs.CV cs.LG stat.ML
STACI: Spatio-Temporal Aleatoric Conformal Inference
North Carolina State University（北卡罗来纳州立大学）；Brookhaven National Laboratory（布鲁赫斯国家实验室）；University of the Basque Country（巴斯克大学）
STACI提出变分贝叶斯神经网络近似非平稳时空高斯过程，结合新颖时空共形推断，实现可扩展且统计有效的预测区间，优于现有方法并支持百万级数据。
2025-10-23 cs.LG stat.ME stat.ML
Evaluation of machine learning architectures on the quantification of epistemic and aleatoric uncertainties in complex dynamical systems
Massachusetts Institute of Technology（麻省理工学院）
本文评估了高斯过程及多种UQ增强神经网络在复杂动力学系统中的不确定性量化准确性，通过归一化残差和估计不确定性分布两项指标在海洋工程和波湍流模型上验证，得出了关于模型架构与超参数调优的结论。
2023-06-27 cs.LG math.DS stat.ML
Continuous Normalizing Flows for Uncertainty-Aware Human Pose Estimation
Computer Vision Laboratory, Dept of E. E., Linköping University, Sweden（计算机视觉实验室，电子工程系，利厄普大学，瑞典）
本文提出CFRE，通过整合连续归一化流提升人体姿态估计的精度和不确定性量化能力。
2025-05-04 cs.CV
Bayesian Active Learning By Distribution Disagreement
University of Hildesheim（希尔德斯海姆大学）；Institute of Computer Science（计算机科学学院）
本文提出BALSA算法，通过改进BALD以适配归一化流进行回归主动学习，有效区分偶然与认知不确定性，在4个数据集和2种架构上取得SOTA结果。
2025-01-02 cs.LG
Emulating compact binary population synthesis simulations with uncertainty quantification and model comparison using Bayesian normalizing flows
Center for Interdisciplinary Exploration and Research in Astrophysics（跨学科天体物理探索与研究中心）；Northwestern University（西北大学）；The NSF-Simons AI Institute for the Sky (NSF-Simons SkAI)（NSF-模拟斯诺人工智能天空研究所）
本研究提出基于贝叶斯归一化流的紧致双星族合成模拟方法，可量化并边缘化模拟不确定性，在双黑洞族模拟中验证了效果，可应用于引力波星表推断与特征预测场景。
2025-09-03 astro-ph.HE cs.LG gr-qc
Laplacian Segmentation Networks Improve Epistemic Uncertainty Quantification
Technical University of Denmark（丹麦技术大学）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
本文提出拉普拉斯分割网络（LSN），通过联合建模认知和偶然不确定性解决图像分割中的OOD检测问题，并首次提出可扩展至带跳跃连接大型网络的权重后验拉普拉斯近似，在三个数据集上实现更优的OOD检测。
2024-07-23 cs.CV cs.LG
Physics-Informed Sylvester Normalizing Flows for Bayesian Inference in Magnetic Resonance Spectroscopy
Eindhoven University of Technology（埃因霍温理工大学）；University Medical Center Utrecht（乌得勒支大学医学中心）
本研究提出基于Sylvester归一化流和物理解码器的贝叶斯推断框架，用于磁共振波谱代谢物定量，在模拟7T数据上实现准确量化与不确定性校准。
2026-09-17 cs.LG eess.SP q-bio.QM
DiffLoad: Uncertainty Quantification in Electrical Load Forecasting with the Diffusion Model
The University of Hong Kong（香港大学）；DAMO Academy, Alibaba Group（阿里巴巴达摩院）
本文提出DiffLoad方法，利用扩散Seq2Seq结构估计认知不确定性，并用加性柯西分布估计偶然不确定性，实现负荷预测中两类不确定性的有效分离，同时保证预测精度并适用于不同负荷水平。
2024-09-02 cs.AI cs.LG stat.ML
Faster Uncertainty Quantification for Inverse Problems with Conditional Normalizing Flows
Georgia Institute of Technology（佐治亚理工学院）；Microsoft Research（微软研究院）
在反问题中，我们经常可以访问由成对样本$(x,y)\sim p_{X,Y}(x,y)$组成的数据，其中$y$是物理系统的部分观测，$x$表示问题的未知数。在这种情况下，我们可以使用监督训练来学习解决方案$x$及其来自观测$y$的不确定性。我们把这个问题称为“监督”情况。然而，在一个点收集的数据$y\sim p_{Y}(y)$可能与观测$y'\sim p_{Y}'(y')$不同地分布，与当前的一组问题相关。在贝叶斯推理的背景下，我们提出了一个两步计划，它利用规范化流和联合数据训练一个条件生成器$q_θ(x|y)$近似目标后验密度$p_{X|Y}(x|y)$。此外，该初步阶段提供了密度函数$q_θ(x|y)$，其可以被重铸为“无监督”问题的先验，例如~当仅观测值$y'\sim p_{Y}'(y')$、似然模型$y'|x$和关于$x'$的先验是已知的时。然后，我们训练另一个可逆生成器，其输出密度$q'_ϕ(x|y')$专门用于$y'$，允许我们从后$p_{X|Y}'(x|y')$采样。我们提出了一些合成结果，证明了相当大的训练加速时，重用预训练网络$q_θ(x|y')$作为一个热启动或预处理近似$p_{X|Y}'(x|y')$，而不是从头开始学习。这种训练模式可以被解释为迁移学习的一个实例。这一结果是特别相关的大型反问题，采用昂贵的数值模拟。
2020-07-15 cs.LG physics.geo-ph stat.ML
Uncertainty Quantification using Variational Inference for Biomedical Image Segmentation
University of Maryland（马里兰大学）
针对医学图像深度学习模型需提供预测置信度的需求，提出基于变分推断的编解码架构，在BRATS数据集上以贝叶斯方式融合两类不确定性实现脑肿瘤分割。
2024-08-15 cs.CV cs.LG eess.IV
Quantification of Uncertainty with Adversarial Models in Medical Image Segmentation
Institute of Artificial Intelligence, Center for Medical Data Science, Medical University of Vienna, Austria（人工智能研究所、医学数据科学中心、维也纳医学大学，奥地利）；Comprehensive Center for AI in Medicine, Medical University of Vienna, Austria（医学人工智能综合中心、维也纳医学大学，奥地利）；ELLIS Unit Linz, LIT AI Lab and Institute for Machine Learning, Johannes Kepler University Linz, Austria（林茨ELLIS单位、LIT人工智能实验室和机器学习研究所、林茨约瑟夫·冯·克拉夫特大学，奥地利）；Institute for Machine Learning, Johannes Kepler University Linz, Austria（机器学习研究所、林茨约瑟夫·冯·克拉夫特大学，奥地利）；Clinical Research Center for Medical AI, Johannes Kepler University Linz, Austria（医学人工智能临床研究中心、林茨约瑟夫·冯·克拉夫特大学，奥地利）
提出QUAM-SM后处理框架，通过针对性对抗搜索识别脆弱像素，量化不确定性并分离认知与偶然不确定性，在公开数据集上优于现有方法。
2026-06-18 cs.CV cs.LG
Aleatoric Uncertainty Medical Image Segmentation Estimation via Flow Matching
Institute for Artificial Intelligence, University of Engineering
本文提出基于条件流匹配的生成模型，通过模拟-free方法精确建模数据分布，提升分割结果的准确性并可靠量化不确定性，实验表明其在分割精度和不确定性映射方面表现优异。
2026-04-07 cs.AI cs.CV
UncertainSAM: Fast and Efficient Uncertainty Quantification of the Segment Anything Model
Institute for Information Processing / L3S - Leibniz University Hannover, Germany（信息处理研究所 / L3S - 哈根大学）
针对类别无关基础模型SAM的模糊特性给现有不确定性量化方法带来的挑战，本文提出基于贝叶斯熵公式、兼顾三类不确定性的轻量级事后UQ方法USAM，在多个数据集上性能更优，且计算成本低、易用。
2025-07-29 cs.CV
Composing Normalizing Flows for Inverse Problems
UT Austin（德克萨斯大学奥斯汀分校）；Google Research（谷歌研究院）
给定一个具有归一化流先验的逆问题，我们希望估计以观测为条件的潜在信号的分布。我们将这个问题视为对预训练的无条件流模型进行条件推理的任务。我们首先建立，这是计算困难的一大类流动模型。出于这一动机，我们提出了一个框架，估计目标条件作为两个流模型的组成近似推理。该公式导致避免对抗训练的稳定的变分推断训练过程。我们的方法进行评估的各种反问题，并产生高质量的样品与不确定性量化。我们进一步证明，我们的方法可以摊销为zero-shot推理。
2021-06-14 cs.IT cs.LG math.IT
A Deeper Look into Aleatoric and Epistemic Uncertainty Disentanglement
University of Groningen（格罗宁根大学）；Pontifical Catholic University of Peru（秘鲁天主大学）
神经网络在许多任务中无处不在，但信任它们的预测是一个悬而未决的问题。不确定性量化是许多应用所需要的，而解开任意和认知的不确定性是最好的。在本文中，我们概括的方法，以产生解开的不确定性与不同的不确定性量化方法，并评估其能力，产生解开的不确定性。我们的研究结果表明：在学习任意性和认知不确定性之间存在交互作用，这是出乎意料的并且违反了关于任意性不确定性的假设，一些方法如Flipout产生零认知不确定性，任意性不确定性在分布外设置中是不可靠的，并且集合提供总体上最好的解开质量。我们还探讨了采样softmax函数中的样本数超参数所产生的误差，推荐N > 100个样本。我们希望我们的公式和结果可以帮助从业者和研究人员选择不确定性方法，并扩大使用解开的不确定性，以及激励更多的研究这一主题。
2022-04-20 cs.CV cs.LG
A perspective note on likelihood approximation and inference for complex simulation models using a chain of aggregated normalizing flows
The Catholic University of America（美国天主教大学）
本文提出一种基于聚合归一化流链的似然逼近新视角，结合经验似然与序贯决策，实现高效参数探索、样本生成及贝叶斯推断，支持假设检验与不确定性量化。
2026-10-07 cs.LG stat.ME stat.ML
Rethinking Uncertainty Quantification and Entanglement in Image Segmentation
Technical University of Denmark, DTU Compute（丹麦技术大学，DTU计算学院）；University of Lucerne, Faculty of Health Sciences and Medicine（卢塞恩大学，医学与健康科学学院）
本文研究了图像分割中不确定性量化的分解与纠缠问题，分析了不同模型组合的不确定性纠缠程度，并提出量化指标，评估了不同任务下的性能。
2026-10-01 cs.CV
Training Normalizing Flows with the Information Bottleneck for Competitive Generative Classification
Heidelberg University（海德堡大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
信息瓶颈（IB）目标使用信息论来制定任务性能与鲁棒性的权衡。它已成功地应用于标准判别分类设置。我们提出的问题是否也可以用来训练生成的可能性模型，如正常化流的IB。由于规范化流使用可逆网络架构（INN），因此它们通过构造来保持信息。这似乎与瓶颈的概念相矛盾。在这项工作中，首先，我们开发的理论和方法的IB-INN，一类有条件的规范化流程，INN的训练使用IB目标：引入少量的{ \em控制}的信息损失允许一个渐近精确制定的IB，同时保持INN的生成能力完好无损。其次，我们研究了这些模型的实验性质，特别是作为生成分类器。该模型类提供了诸如改进的不确定性量化和分布外检测的优点，但是传统的生成式分类器解决方案在分类精度方面受到相当大的影响。我们发现IB中的权衡参数控制了接近标准分类器的生成能力和准确性的混合。从经验上讲，我们的不确定性估计在这种混合制度相比，传统的生成和歧视分类。
2021-01-12 cs.LG stat.ML
Conditional Normalizing Flow Surrogate for Monte Carlo Prediction of Radiative Properties in Nanoparticle-Embedded Layers
Aalto University（阿尔托大学）
本文提出基于条件归一化流的概率代理模型，以蒙特卡洛与Mie理论数据训练，用于预测纳米颗粒散射介质的反射率、吸收率和透射率，兼具高精度与可靠不确定性量化能力。
2025-08-27 cs.LG physics.optics stat.ML
Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval
University of Electronic Science and Technology of China（电子科技大学）
本文提出基于原型的任意不确定性量化框架PAU，通过可学习原型和证据理论为跨模态检索提供可信预测，并在四个基准数据集上验证了有效性。
2024-01-14 cs.CV
Generative structured normalizing flow Gaussian processes applied to spectroscopic data
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
在这项工作中，我们提出了一种新的生成模型，用于使用结构化条件归一化流和高斯过程回归将输入映射到结构化的高维输出。该模型的动机是需要在输入/输出关系的不确定性进行推断时，对新的数据。特别是在物理科学中，有限的训练数据可能无法充分描述未来观测数据的特征;模型充分显示不确定性至关重要，特别是当它们可能被要求外推时。在我们提出的模型中，结构化的条件规范化流通过高斯过程提供与输入相关的简约潜在表示，提供精确的似然计算和自然增加远离训练数据输入的不确定性。我们展示了激光诱导击穿光谱数据的方法，从船上的火星探测器Currency的ChemCam仪器。ChemCam旨在通过测量激光脉冲引起的等离子体原子发射的光谱特性来恢复岩石和土壤样品的化学成分。我们表明，我们的模型可以产生现实的光谱条件下，一个给定的化学成分，我们可以使用该模型进行不确定性量化的化学成分新观察到的光谱。根据我们的研究结果，我们预计，我们提出的建模方法可能是有用的，在其他科学领域的高维，复杂的结构，它是重要的量化预测的不确定性。
2022-12-14 cs.LG physics.data-an
TrafficFlowGAN: Physics-informed Flow based Generative Adversarial Network for Uncertainty Quantification
Columbia University（哥伦比亚大学）；Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所）
本文提出了一种基于物理信息流的生成对抗网络（GAN）--GAN流GAN，用于动态系统的不确定性量化（UQ）。EschericFlowGAN采用规范化流模型作为生成器来显式估计数据可能性。该流模型被训练以最大化数据可能性并生成可以欺骗卷积神经网络的合成数据。我们使用先前的物理信息进一步规范这个训练过程，即所谓的物理信息深度学习（PIDL）。据我们所知，我们是第一个提出一个集成流，GAN和PIDL的UQ问题。我们以交通状态估计（TSE）为例，它的目的是估计交通变量（如交通密度和速度）使用部分观测数据，以证明我们提出的模型的性能。我们进行了数值实验，该模型被应用于学习随机微分方程的解决方案。实验结果证明了该模型的鲁棒性和准确性，以及学习机器学习代理模型的能力。我们还测试了一个真实世界的数据集，下一代仿真（NGSIM），以表明所提出的mixicFlow GAN可以优于基线，包括纯流模型，物理信息流模型，和基于流的GAN模型。
2022-10-15 cs.LG
Probabilistic 3D segmentation for aleatoric uncertainty quantification in full 3D medical data
Eindhoven University of Technology（埃因霍温理工大学）；Philips IGT（飞利浦图像引导治疗部门）
针对现有2D医学图像不确定性量化方法丢失3D空间信息的问题，提出融合归一化流的3D概率分割框架，在LIDC-IDRI数据集上实现更优的肺结节分割与偶然不确定性量化，可为临床决策提供辅助。
2023-05-01 cs.CV cs.LG eess.IV
Learning by example: fast reliability-aware seismic imaging with normalizing flows
Georgia Institute of Technology（佐治亚理工学院）
不确定性量化提供了对不适定反问题候选解可靠性的定量度量。由于它们的顺序性质，蒙特卡罗采样方法需要大量的采样步骤来进行精确的贝叶斯推断，并且对于大规模的逆问题（例如震波成像）通常在计算上是不可行的。我们的主要贡献是一个数据驱动的变分推理方法，我们训练一个归一化流（NF），一种可逆的神经网络，能够廉价地采样的后验分布以前看不见的地震资料从邻近的调查。为了达到这个结果，我们训练NF对低和高保真迁移图像。在我们的数值示例中，我们从Parihaka数据集获得高保真图像，并通过反迁移过程从这些图像中获得低保真度图像，然后添加噪声和迁移。在推断过程中，给定新的邻区地震勘探的炮点记录，首先计算逆时偏移成像。接下来，通过将这个低保真度的迁移图像馈送到NF，我们几乎免费地获得了来自后验分布的样本。我们使用这些样本来计算高保真图像，包括对图像可靠性的第一次评估。据我们所知，这是第一次尝试训练一个条件网络，我们知道从邻近的图像，以改善当前的图像和评估其可靠性。
2021-04-13 cs.AI cs.LG physics.geo-ph
Enhancing Diagnostic in 3D COVID-19 Pneumonia CT-scans through Explainable Uncertainty Bayesian Quantification
Data Science Research Centre, Liverpool John Moores University（利物浦约翰摩尔大学数据科学研究中心）
本文提出利用贝叶斯神经网络对3D CT扫描中的COVID-19肺炎进行分类，通过不确定性量化与SHAP可解释性提升诊断准确性，轻量级架构达到96%准确率。
2025-01-18 cs.AI cs.CV cs.LG
RadProPoser: Probabilistic Radar Tensor Human Pose Estimation That Knows Its Limits
Munich Center for Machine Learning, Germany（慕尼黑机器学习中心，德国）
本文提出RadProPoser，一种端到端的概率框架，通过原始雷达张量数据预测三维身体关节及其每个关节的不确定性，该方法在新的基准数据集上实现了6.425厘米的均值位置误差，并通过等调校校准总不确定性。
2026-05-20 cs.CV
Uncertainty-aware Multi-fidelity Closure via Conditional Normalizing Flows
Pacific Northwest National Laboratory（太平洋西北国家实验室）
提出基于条件归一化流的不确定性感知多保真度框架，通过学习低保真度到高保真度系数的概率映射，解决降阶模型中的闭合问题，在涡旋合并问题中验证了残差学习优于直接学习。
2026-08-24 cs.LG physics.comp-ph
Contrastive Normalizing Flows for Uncertainty-Aware Parameter Estimation
University of Toronto（多伦多大学）；Vector Institute（向量研究所）
本文提出对比归一化流CNF，将数据与参数嵌入可学习映射以构造可调对比分布，结合分类器和频率学派方法，在HiggsML不确定性挑战中实现鲁棒的参数估计与不确定性量化。
2025-05-13 cs.LG hep-ex hep-ph
Uncertainty quantification in model discovery by distilling interpretable material constitutive models from Gaussian process posteriors
Technische Universität Braunschweig, Institute of Applied Mechanics（Braunschweig 技术大学应用力学研究所）；Technische Universität Braunschweig, Institute for Acoustics（Braunschweig 技术大学声学研究所）
本文提出了一种部分贝叶斯框架，通过从高斯过程后验中提炼可解释的材料本构模型，实现模型发现中的不确定性量化，适用于各向同性和各向异性数据。
2026-01-26 cs.LG stat.ML
Learning stochastic multiscale models through normalizing flows
Department of Mathematics（数学系）
本文提出通过归一化流学习多尺度随机动态，利用归一化流建模不变分布，结合模型降阶与贝叶斯推断，实现对多尺度系统的不确定性量化。
2026-05-10 cs.LG math.PR math.ST
Investigating and Improving Latent Density Segmentation Models for Aleatoric Uncertainty Quantification in Medical Imaging
Eindhoven University of Technology（埃因霍温理工大学）；Phillips Research（飞利浦研究院）
针对PU-Net潜在空间稀疏问题，提出互信息最大化和熵正则化Sinkhorn散度，促进潜在维度同质性，在医学分割数据集上提升高达11%的匈牙利匹配交并比。
2026-11-04 cs.CV
Discretization-Induced Dirichlet Posterior for Robust Uncertainty Quantification on Regression
Paris-Saclay University（巴黎-萨克雷大学）；ENSTA Paris, Institut Polytechnique de Paris（巴黎综合理工学院 ENSTA 巴黎）；University of Oxford（牛津大学）
针对视觉回归任务现有AuxUE仅侧重偶然不确定性、缺乏鲁棒性的问题，提出通用AuxUE方案，用拉普拉斯分布估计偶然不确定性，以DIDO方法建模离散预测误差的Dirichlet后验实现认知不确定性，在多任务上验证了噪声输入下的鲁棒性与可扩展性。
2023-12-13 cs.CV cs.LG stat.ML
Evidential Neural Radiance Fields
Yale University（耶鲁大学）
本文提出可信神经辐射场，通过单次前向传递直接量化aleatoric和epistemic不确定性，提升三维场景建模的可靠性与精度。
2026-03-30 cs.AI cs.CV cs.LG
Predictive Uncertainty Quantification for Bird's Eye View Segmentation: A Benchmark and Novel Loss Function
The University of Texas at Dallas（德克萨斯大学达拉斯分校）；Cypress Woods High School（赛普拉斯伍兹高中）
本文提出了一个针对鸟瞰图分割预测不确定性量化的综合基准，并设计了新型损失函数UFCE及正则化项，有效改进了误分类与OOD像素检测及模型校准。
2025-03-02 cs.CV cs.LG
Analyzing Epistemic and Aleatoric Uncertainty for Drusen Segmentation in Optical Coherence Tomography Images
IBM Research - Australia（IBM研究院 - 澳大利亚）
视网膜相关性黄斑变性（AMD）是60岁以上人群永久性视力丧失的主要原因之一。准确分割生物标志物，如玻璃疣，指出AMD的早期阶段是至关重要的，以防止进一步的视力损害。然而，由于玻璃疣的大小和外观不同，对比度低，噪声相似，分割玻璃疣是非常具有挑战性的。因此，大多数现有的文献都集中在使用分类来估计玻璃疣的大小，使得准确分割的挑战较少得到解决。另外，获得逐像素注释是极其昂贵的，并且这样的标签通常可能是有噪声的，遭受观察者间和观察者内的可变性。与分割任务相关的不确定性的量化提供了检查分割输出的原则性措施。实现其效用在识别错误的分割和临床决策的潜在应用，在这里，我们开发了一个基于U-Net的玻璃疣分割模型和量化的分割不确定性。我们研究了认知不确定性和任意不确定性，分别捕获模型置信度和数据不确定性。我们提出的分割结果，并显示如何不确定性可以帮助制定强大的评估策略。我们视觉上检查测试图像上的像素不确定性和分割结果。最后分析了分割不确定性和准确性之间的相关性。我们的研究结果表明，利用不确定性在开发和解释医学图像分析的分割模型的效用。
2021-02-08 cs.CV cs.LG eess.IV
Uncertainty Estimations by Softplus normalization in Bayesian Convolutional Neural Networks with Variational Inference
TU Kaiserslautern（凯泽斯劳滕工业大学）；MindGarage；Imperial College London（帝国理工学院）；NeuralSpace；Luleå University of Technology（吕勒奥理工大学）
我们介绍了一种新的不确定性估计贝叶斯卷积神经网络与变分推理的分类任务。通过在最后一层对Softplus函数的输出进行归一化，我们以连贯的方式估计任意和认知的不确定性。权重的后验概率分布由Bayes by Backprop推断。首先，我们展示了这种可靠的变分推理方法可以作为各种网络架构的基本构造。在监督学习设置（MNIST，CIFAR-10，CIFAR-100）的多个数据集上，这种变分推理方法在相同的体系结构中实现了与频率论推理相当的性能，而两个必要的，不确定性和正则化的度量自然地结合在一起。其次，我们研究了我们提出的任意性和认知不确定性的度量是如何推导出来的，并在上述数据集上进行了验证。
2019-05-14 cs.CV cs.LG cs.NE
Supervised Uncertainty Quantification for Segmentation with Multiple Annotations
University of Amsterdam（阿姆斯特丹大学）；Radboud University Medical Center（拉德堡德大学医学中心）
预测不确定性的准确估计在诸如肺结分割的医疗场景中具有重要性。不幸的是，大多数现有的预测不确定性的工作不返回校准的不确定性估计，这可以在实践中使用。在这项工作中，我们利用多级注释的变化作为一个源的“地面实况”任意的不确定性，这可以被视为一个目标，在监督学习的问题。我们将这种真实的不确定性与ProbabilityU-Net相结合，并在LIDC-IDRI肺结节CT数据集和MICCAI 2012前列腺MRI数据集上进行测试。我们发现，我们能够提高预测的不确定性估计。我们还发现，我们可以提高样本精度和样本多样性。在实际应用中，我们的方法可以告知医生分割结果的置信度。
2022-05-27 cs.CV cs.LG stat.ML
Looking at the posterior: accuracy and uncertainty of neural-network predictions
Stockholm University（斯德哥尔摩大学）
本文研究了神经网络预测准确性与认知和偶然不确定性的复杂关系，发现该关系取决于模型架构和数据集属性，并据此提出了一种优于常见方法的主动学习获取函数。
2023-11-22 cs.CV cs.LG stat.ML
Evidential Uncertainty Quantification: A Variance-Based Perspective
Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins University School of Medicine（约翰斯·霍普金斯大学医学院）
本文将基于方差的方法从回归适配到分类，在类别级别量化证据不确定性，通过类协方差分解推导类相关性，实验表明其在主动域自适应中准确率与基于熵方法相当，且能提供逐类不确定性和类间相关性信息。
2023-11-19 cs.CV cs.LG
Conditional Measurement Density Estimation in Sequential Monte Carlo via Normalizing Flow
University of Surrey（萨里大学）
在序列蒙特卡罗方法的实际应用中，测量模型的调整是具有挑战性的。可微分粒子滤波器的最新进展已经导致通过神经网络学习测量模型的各种努力。但现有的方法在可微粒子滤波框架不承认有效的概率密度在构建测量模型，导致不正确的量化的测量不确定性给定的状态信息。我们建议通过条件归一化流来学习测量模型中的表达性和有效概率密度，以捕获给定状态的测量的复杂可能性。我们表明，所提出的方法导致更好的估计性能和更快的训练收敛在视觉跟踪实验。
2022-03-16 cs.AI cs.CV cs.RO
Enhancing Multi-Label Thoracic Disease Diagnosis with Deep Ensemble-Based Uncertainty Quantification
Department of Computer Science and Engineering（计算机科学与工程系）；University of Moratuwa（莫塔瓦大学）
本研究通过深度集成不确定性量化方法，提升多标签胸腔疾病诊断的可靠性与解释性，实现更准确的临床决策支持。
2025-11-24 cs.CV cs.LG
Uncertainty Quantification of Collaborative Detection for Self-Driving
University of Connecticut（康涅狄格大学）；Tandon School of Engineering, New York University（纽约大学坦登工程学院）
互联车辆和自动驾驶车辆（CAV）之间的信息共享从根本上提高了自动驾驶协作目标检测的性能。但是，由于实际挑战，CAV在目标检测上仍然存在不确定性，这将影响自动驾驶中的规划和控制等后期模块。因此，不确定性量化是至关重要的安全关键系统，如CAV。我们的工作是第一个估计的不确定性协作目标检测。我们提出了一种新的不确定性量化方法，称为双M量化，它量身定制的移动块引导（MBB）算法与直接建模的多变量高斯分布的限界框的每个角落。我们的方法基于离线双M训练过程，通过一次推理来捕获认知不确定性和任意不确定性。它可以与不同的协作对象检测器一起使用。通过在综合协作感知数据集上的实验，我们表明，与最先进的不确定性量化方法相比，我们的Double-M方法在不确定性得分上实现了超过4倍的提高，准确率提高了3%以上。我们的代码在https://coperception.github.io/double-m-quantification上公开。
2023-03-17 cs.CV
Hyper-V2X: Hypernetworks for Estimating Epistemic and Aleatoric Uncertainty in Cooperative Bird's-Eye-View Semantic Segmentation
CARISSMA Institute for Electric, COnnected, and Secure Mobility (C-ECOS), Technische Hochschule Ingolstadt（CARISSMA电动、连接与安全移动研究所（C-ECOS）、因戈尔施塔特技术大学）；University of Applied Sciences Aschaffenburg（阿施发堡应用科学大学）
本文提出Hyper-V2X框架，通过超网络估计协作V2X感知中的epistemic和aleatoric不确定性，采用部分权重生成方案和V2X上下文嵌入模块，条件化贝叶斯超网络生成随机鸟瞰图分割的权重分布，提升感知可靠性。
2026-05-20 cs.CV cs.RO
B-BACN: Bayesian Boundary-Aware Convolutional Network for Crack Characterization
Arizona State University（亚利桑那州立大学）
针对裂纹检测中不确定性量化难的问题，提出贝叶斯边界感知卷积网络B-BACN，结合多任务学习与边界细化损失同时量化两类不确定性，提升裂纹边界检测精度与模型校准能力。
2023-06-15 cs.CV cs.LG
UQGAN: A Unified Model for Uncertainty Quantification of Deep Classifiers trained via Conditional GANs
TU Dortmund University（多特蒙德工业大学）；EPFL（洛桑联邦理工学院）；University of Wuppertal（伍珀塔尔大学）
我们提出了一种基于生成对抗网络（GANs）的方法，用于量化图像分类中深度神经网络的任意和认知不确定性。虽然文献中使用GANs生成分布外（OoD）示例的大多数作品仅关注OoD检测的评估，但我们提出了一种基于GAN的方法来学习分类器，该分类器为OoD示例以及假阳性（FP）产生适当的不确定性。我们不是用最先进的GAN生成的OoD示例屏蔽整个分布数据，而是用条件GAN生成的类外示例分别屏蔽每个类，并用一个对所有图像分类器对其进行补充。在我们的实验中，特别是在CIFAR10，CIFAR100和Tiny ImageNet上，我们改进了最先进的基于GAN训练的分类器的OoD检测和FP检测性能。此外，我们还发现生成的GAN示例不会显着影响分类器的校准误差，并导致模型准确性显着提高。
2023-01-09 cs.CV
Uncertainty Quantification for Image-based Traffic Prediction across Cities
University of Amsterdam（阿姆斯特丹大学）；ETH Zurich（苏黎世联邦理工学院）；Singapore-ETH Centre（新加坡-苏黎世联邦理工中心）
本文在大规模图像交通数据集上系统比较了多种不确定性量化方法在时间与时空迁移任务中的表现，并利用不确定性估计实现城市交通动态的无监督异常检测，以提升交通预测的可解释性与部署潜力。
2023-08-11 cs.CV cs.LG stat.ML
SurroFlow: A Flow-Based Surrogate Model for Parameter Space Exploration and Uncertainty Quantification
The Ohio State University（俄亥俄州立大学）
本文提出SurroFlow，一种基于归一化流的代理模型，用于学习模拟参数与输出间的可逆变换，实现高效数据生成、不确定性量化及参数推荐，并集成遗传算法与可视化界面，降低计算成本并提升探索能力。
2024-07-16 cs.AI cs.CV cs.GR
Unsupervised Joint Image Transfer and Uncertainty Quantification Using Patch Invariant Networks
University of Innsbruck（因斯布鲁克大学）
在大量成对训练数据不丰富的应用中，无监督图像传输能够实现模态内和模态间图像转换。为了确保从输入到目标域的结构保持映射，用于不成对图像传输的现有方法通常基于循环一致性，由于逆映射的学习而导致额外的计算资源和不稳定性。本文提出了一种新的方法，不依赖于任何配对的训练数据的单向域映射。通过使用GAN结构和基于补丁不变性的新的发电机损耗来实现适当的转移。更具体地说，在不同的尺度上对发生器输出进行评估和比较，这也导致对高频细节的关注增加以及隐含的数据增强。这种新的补丁损失也提供了可能性，准确地预测任意的不确定性，通过建模的输入依赖的比例尺地图的补丁残差。所提出的方法进行了全面评估三个完善的医疗数据库。与四种最先进的方法相比，我们在这些数据集上观察到了更高的准确性，这表明所提出的方法在考虑不确定性的情况下用于未配对图像传输的巨大潜力。建议框架的实现在这里发布：\url{https://github.com/anger-man/unsupervised-image-transfer-and-uq}。
2022-09-02 cs.CV cs.LG eess.IV
L-FUSION: Laplacian Fetal Ultrasound Segmentation & Uncertainty Estimation
King's College London, London, UK（伦敦国王学院）；Imperial College London, London, UK（伦敦帝国学院）
提出 L-FUSION 框架，结合无监督规范学习与基础模型，利用 Stochastic Segmentation Networks 和 Laplace approximations 估计不确定性，实现胎儿超声的稳健分割与异常量化，支持临床现场决策。
2025-08-11 cs.CV eess.IV
Conditional-Flow NeRF: Accurate 3D Modelling with Reliable Uncertainty Quantification
Institut de Robòtica i Informàtica Industrial, CSIC-UPC（西班牙高等科学研究理事会-加泰罗尼亚理工大学机器人与工业信息研究所）；Seedtag（Seedtag公司）
基于神经辐射场（NeRF）的当前方法的关键限制是它们不能量化与场景的学习外观和几何形状相关联的不确定性。这些信息在医疗诊断或自动驾驶等实际应用中至关重要，为了减少潜在的灾难性故障，必须将模型输出的置信度纳入决策过程。在这种情况下，我们引入条件流NeRF（CF-NeRF），一种新的概率框架，将不确定性量化到基于NeRF的方法。为此，我们的方法学习所有可能的辐射场建模的分布，用于量化与建模场景相关的不确定性。与以前对辐射场分布施加强约束的方法相比，CF-NeRF通过耦合潜变量建模和条件归一化流，以灵活和完全数据驱动的方式学习辐射场分布。该策略允许获得可靠的不确定性估计，同时保持模型表达能力。与NeRF中提出的不确定性量化方法相比，我们的实验表明，该方法实现了显着降低的预测误差和更可靠的不确定性值，用于合成新视图和深度图估计。
2022-03-18 cs.CV
How Confident are Video Models? Empowering Video Models to Express their Uncertainty
Princeton University（普林斯顿大学）
针对视频生成模型易产生幻觉、缺乏不确定性量化方法的问题，本文提出首个生成式视频模型UQ框架，含评估指标、黑盒方法S-QUBED及专用数据集，实验验证其能有效分解并校准不确定性。
2025-10-02 cs.AI cs.CL cs.CV
Fully Bayesian VIB-DeepSSM
Scientific Computing and Imaging Institute, University of Utah（犹他大学科学计算与成像研究所）；Kahlert School of Computing, University of Utah（犹他大学卡勒特计算学院）
针对半贝叶斯VIB-DeepSSM缺乏认知不确定性推断的问题，提出全贝叶斯VIB公式及两种可扩展实现方法与二者的新型结合方案，实验证明其在不牺牲精度的情况下提升了SSM预测的不确定性推理能力。
2023-07-20 cs.CV
SoftDropConnect (SDC) -- Effective and Efficient Quantification of the Network Uncertainty in Deep MR Image Analysis
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Wake Forest School of Medicine（维克森林医学院）
最近，深度学习在医学图像分析方面取得了显著的成功。虽然深度神经网络可以产生临床上重要的预测，但它们具有固有的不确定性。这种不确定性是自信地报告这些预测的主要障碍。在本文中，我们提出了一种新颖而简单的贝叶斯推理方法，称为SoftDropConnect（SDC），以量化神经胶质瘤分割和转移瘤分类作为初始示例的医学成像任务中的网络不确定性。我们的关键思想是，在训练和测试过程中，SDC不断调整网络参数，以便允许受影响的信息处理通道仍然运行，而不是像Dropout或DropConnet那样禁用它们。当与三种流行的贝叶斯推理方法，包括贝叶斯Backprop，Dropout，和DropConnect相比，我们的SDC方法（SDC-W优化后）优于三个竞争的方法有很大的利润。量化，我们提出的方法产生了显着的改善预测准确性（由3.4%，2.5%，和6.7%，分别为整个肿瘤分割的骰子得分;和11.7%，3.9%，和8.7%，分别为脑转移分类），并大大降低了认识和任意的不确定性。我们的方法有望提供更好的诊断性能，并使医疗AI成像更易于解释和可信。
2022-06-01 cs.AI cs.CV eess.IV
