Overcoming the Limitations of Localization Uncertainty: Efficient & Exact Non-Linear Post-Processing and Calibration
Continental AG（大陆集团）；Technische Universität Berlin（柏林工业大学）
本文针对目标检测定位不确定性的传播、校准与解释问题，在EfficientDet中实现损失衰减并提出精确快速传播方法，在KITTI和BDD100K上显著提升传播速度与校准性能，并揭示不确定性与遮挡、距离等因素的相关性。
2023-06-15 cs.CV
Query2Uncertainty: Robust Uncertainty Quantification and Calibration for 3D Object Detection under Distribution Shift
Institute for Automotive Engineering, RWTH Aachen（汽车工程研究所，亚琛RWTH大学）；Computer Vision Institute, RWTH Aachen（计算机视觉研究所，亚琛RWTH大学）
本文提出一种密度感知校准方法，结合后验校准器与DETR风格3D目标检测器的潜在对象查询特征密度，提升分布偏移场景下的不确定性估计与校准性能。
2026-05-06 cs.CV cs.RO
Average Calibration Losses for Reliable Uncertainty in Medical Image Segmentation
本文提出基于mL1-ACE的可微校准损失，通过硬/软分箱方法提升像素校准，实验显示其能有效降低校准误差并保持高Dice相似系数，同时引入数据集可靠性直方图分析校准与真实准确性的对齐。
2026-03-11 cs.CV
Consistency Calibration: Improving Uncertainty Calibration via Consistency among Perturbed Neighbors
University of Sydney（悉尼大学）；City University of Hong Kong（香港城市大学）
本文提出一致性校准（CC）方法，通过模型在扰动输入间的一致性调整置信度，无需额外数据或标签，在logit级别提升效率，并在多个标准及长尾数据集上达到最先进性能。
2024-10-16 cs.AI cs.CV cs.LG
Provable Uncertainty Decomposition via Higher-Order Calibration
Harvard University（哈佛大学）；Apple（苹果公司）；Stanford University（斯坦福大学）
本文提出高阶校准新概念，利用 k-快照度量并实现高阶校准，首次在不对真实数据分布作任何假设的情况下，为模型预测不确定性分解为偶然与认知分量提供可证明保证，并在图像分类中验证其有效性。
2024-12-25 cs.CV cs.LG stat.ML
Unveiling Uncertainty: A Deep Dive into Calibration and Performance of Multimodal Large Language Models
Hefei University of Technology（合肥工业大学）；Data Space Research Institute（数据空间研究院）；UT Austin（德克萨斯大学奥斯汀分校）；Shanghai Jiao Tong University（上海交通大学）
本文系统研究多模态大语言模型的校准问题，构建IDK数据集揭示其倾向作答而非承认不确定性的缺陷，并提出温度缩放与迭代提示优化技术以提升模型可靠性。
2024-12-25 cs.AI cs.CL cs.CV
Calibration Wizard: A Guidance System for Camera Calibration Based on Modelling Geometric and Corner Uncertainty
ETH Zurich（苏黎世联邦理工学院）；INRIA Grenoble – Rhône-Alpes（法国国立信息学与自动化研究院格勒诺布尔-罗讷-阿尔卑斯分院）
众所周知，校准的准确性强烈地依赖于相机姿态的选择，从相机姿态获取校准对象的图像。我们提出了一个系统-校准向导-交互式引导用户对采取最佳的校准图像。对于要拍摄的每个新图像，系统从所有先前获取的图像计算导致内在参数的预期不确定性的全局最大减少的姿势，然后引导用户朝向该姿势。我们还展示了如何将角点位置的不确定性，在一个新的原则性的方式，校准和计算的下一个最好的姿势。合成和真实世界的实验进行证明校准向导的有效性。
2019-09-03 cs.CV
Bi-level Meta-Policy Control for Dynamic Uncertainty Calibration in Evidential Deep Learning
针对证据深度学习静态超参数导致校准不佳的问题，提出元策略控制器（MPC），通过双层优化动态调整KL系数和狄利克雷先验，提升不确定性校准与预测性能。
2025-10-10 cs.CV cs.LG
Inferring bias and uncertainty in camera calibration
Robert Bosch GmbH（罗伯特·博世有限公司）；Karlsruher Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT））
准确的摄像机标定是许多计算机视觉应用的前提。校准误差，如错误的模型假设或不精确的参数估计，会恶化系统的整体性能，使这些误差的可靠检测和量化至关重要。在这项工作中，我们引入了一个评估计划，以捕捉相机校准的基本误差源：系统误差（偏差）和不确定性（方差）。所提出的偏差检测方法揭示了最小的系统误差，从而揭示了不完善的校准设置，并提供了相机模型选择的基础。提出了一种新的基于重采样的不确定性估计器，使得非理想条件下的不确定性估计成为可能，从而扩展了经典的协方差估计器。此外，我们推导出一个简单的不确定性度量，是独立的相机模型。结合起来，所提出的方法可用于评估单个校准的准确性，也可用于对新的校准算法、相机模型或校准设置进行基准测试。我们评估所提出的方法与模拟和真实的相机。
2021-07-28 cs.CV
Feature Clipping for Uncertainty Calibration
University of Sydney（悉尼大学）；City University of Hong Kong（香港城市大学）
针对深度神经网络过度自信导致的校准失效，论文提出事后特征裁剪 FC，通过阈值化特征降低高误差样本自信度，并在多数据集与模型上验证其优于现有校准方法。
2024-10-16 cs.CV cs.LG
UAC: Uncertainty-Aware Calibration of Neural Networks for Gesture Detection
Ecole Polytechnique Federale de Lausanne（洛桑联邦理工学院）；Schindler EPFL Lab（迅达-洛桑联邦理工学院实验室）
本文提出UAC方法，通过不确定性感知网络架构预测并校准手势概率，结合熵加权期望提升准确率，解决了基于IMU手势识别中分布外数据鲁棒性与概率校准问题。
2025-04-02 cs.AI cs.CV
QUTCC: Quantile Uncertainty Training and Conformal Calibration for Imaging Inverse Problems
提出QUTCC方法，结合分位数回归与U-Net实现空间自适应保形校准，在多个成像逆问题中生成更紧的不确定性区间并定位模型幻觉。
2026-05-24 cs.AI cs.CV cs.LG
Uncertainty-Aware Online Extrinsic Calibration: A Conformal Prediction Approach
Université de technologie de Compiègne, CNRS, Heudiasyc（法国图卢兹工学院、CNRS、Heudiasyc）；CNRS, INSA Lyon, UCBL, LIRIS, UMR5205（CNRS、里昂国立应用科学学院、UCBL、LIRIS、UMR5205）
提出首个结合蒙特卡洛Dropout与保形预测的在线外参标定不确定性量化方法，在KITTI和DSEC数据集上验证，生成有保证覆盖率的预测区间，提升传感器融合鲁棒性。
2025-01-12 cs.CV
Evaluating Uncertainty Calibration for Open-Set Recognition
University of Texas at Arlington（德克萨斯大学阿灵顿分校）
尽管在视觉分类问题的预测准确性方面取得了巨大的成功，但深度神经网络（DNN）仍然存在对分布外（OOD）数据提供过度自信概率的问题。然而，准确的不确定性估计对于安全可靠的机器人自主性至关重要。在本文中，我们评估流行的开集条件下的校准技术的方式是明显不同的OOD数据的校准方法的常规评估。我们的研究结果表明，闭集DNN校准方法对于开集识别的效果要差得多，这突出了开发新的DNN校准方法来解决这个问题的必要性。
2022-05-15 cs.CV cs.RO
Energy-Based Open-World Uncertainty Modeling for Confidence Calibration
Microsoft Research Asia（微软亚洲研究院）；MILA（米拉研究所）；S-Lab, Nanyang Technological University（南洋理工大学S-Lab实验室）；Nanyang Technological University（南洋理工大学）
置信度校准对于机器学习系统决策的可靠性具有重要意义。然而，基于深度神经网络的判别分类器经常被批评为产生过度自信的预测，这些预测无法反映分类准确性的真实正确性可能性。我们认为，这种无法建模不确定性的情况主要是由softmax中的封闭世界性质造成的：通过交叉熵损失训练的模型将被迫以高概率将输入分类到$K$预定义的类别中。为了解决这个问题，我们首次提出了一种新的$K$ +1-way softmax公式，它将开放世界的不确定性建模作为额外的维度。为了统一学习的原始$K$的方式分类任务和额外的维度模型的不确定性，我们提出了一种新的基于能量的目标函数，而且，理论上证明，优化这样的目标本质上迫使额外的维度捕捉边缘数据分布。大量的实验表明，我们的方法，基于能量的开放世界Softmax（EOW-Softmax），是优于现有的国家的最先进的方法，在提高置信度校准。
2021-08-16 cs.CV cs.LG
Parametric $ρ$-Norm Scaling Calibration
针对有限数据集下的模型置信度校准问题，提出后处理参数化校准方法 $ρ$-Norm Scaling 并引入概率分布正则化，有效缓解了分类器输出幅度放大导致的过度自信，显著提升了不确定性校准性能。
2024-12-19 cs.CV cs.LG
Do Not Train Away Uncertainty: Early Uncertainty Anchored Calibration
Southeast University（东南大学）；Saint Francis University（圣弗朗西斯大学）；City University of Hong Kong（香港城市大学）
针对深度神经网络训练中易过度自信的问题，提出EUA-Cal方法，利用早期模型作为不确定性锚点，通过两类正则化缓解过度自信，在8种模型的两类任务上性能优于现有校准方法。
2026-10-09 cs.CV
Combining Discrepancy-Confusion Uncertainty and Calibration Diversity for Active Fine-Grained Image Classification
Jilin University（吉林大学）
研究针对细粒度图像分类中可靠评估样本信息难的问题，提出DECERN方法，结合差异-混淆不确定性和校准多样性来衡量样本信息，经加权聚类和校准多样性，提升主动学习性能。
2026-07-07 cs.CV
Investigating Calibration and Corruption Robustness of Post-hoc Pruned Perception CNNs: An Image Classification Benchmark Study
Continental AG（大陆集团）；University of Lübeck（吕贝克大学）；TU Dortmund（多特蒙德工业大学）
本文研究了图像分类中事后CNN剪枝在性能、不确定性校准与自然损坏鲁棒性之间的权衡，发现剪枝能同步提升这三项指标，证明安全性与鲁棒性可兼得。
2024-05-31 cs.AI cs.CV
Classifier Ensemble for Efficient Uncertainty Calibration of Deep Neural Networks for Image Classification
Mannheim University of Applied Sciences（曼海姆应用科学大学）
针对深度图像分类模型校准误差大的问题，提出基于元模型的分类器集成方法，无需单独校准数据集，在各架构上均能以极小准确率代价和更少参数量显著降低校准误差，提升深度学习系统可靠性。
2025-01-17 cs.CV
Approaching Test Time Augmentation in the Context of Uncertainty Calibration for Deep Neural Networks
Critical Software, S.A.（Critical Software公司）
提出基于测试时增强的M-ATTA和V-ATTA方法，利用自适应加权改善深度神经网络的不确定性校准，在多个数据集和分布偏移场景下优于现有事后校准技术。
2024-03-18 cs.CV
Fourier-Based Augmentations for Improved Robustness and Uncertainty Calibration
MIT Lincoln Laboratory（麻省理工学院林肯实验室）
多样的数据增强策略是提高计算机视觉模型鲁棒性的自然方法，以应对数据分布中不可预见的变化。然而，定制这样的策略以使模型针对特定类别的腐败或攻击而不对其他类别的腐败造成实质性损失的能力仍然是难以捉摸的。在这项工作中，我们成功地强化了一个模型，以抵御基于傅立叶的攻击，同时在CIFAR-10-C和CIFAR-100-C数据集上产生优于AugMix的准确性和校准结果;对于一些高严重性的噪声和数字类型的损坏，分类误差降低了10个百分点以上。我们实现这一点，将傅立叶基扰动的AugMix图像增强框架。因此，我们证明了AugMix框架可以被定制为有效地针对特定的分布偏移，同时提高整体模型的鲁棒性。
2022-02-24 cs.CV cs.LG
Enhancing Multi-view Open-set Learning via Ambiguity Uncertainty Calibration and View-wise Debiasing
Fuzhou University（福州大学）；Monash University（墨尔本大学）；Fujian Agriculture and Forestry University（福建省农业与林业大学）
本文提出一种多视图开放集学习框架，通过O-Mix合成模糊样本和HSIC对比去偏，增强未知类别识别并保持闭集性能。
2025-08-06 cs.CV cs.LG
Self-Supervised Domain Calibration and Uncertainty Estimation for Place Recognition
Polytechnique Montréal（蒙特利尔综合理工学院）
近年来，基于深度学习的视觉位置识别技术已经成为最先进的技术，但不能很好地推广到视觉上与训练集不同的环境。因此，为了实现最佳性能，有时需要根据目标环境对网络进行微调。为此，我们提出了一种自监督域校准过程的基础上强大的姿态图优化同时定位与地图构建（SLAM）作为监督信号，而不需要GPS或手动标记。此外，我们利用该过程来提高位置识别匹配的不确定性估计，这在安全关键应用中是重要的。我们表明，我们的方法可以提高一个国家的最先进的技术在目标环境中的性能不同于它的训练集，我们可以获得不确定性估计。我们相信，这种方法将有助于从业者在现实世界的应用中部署强大的位置识别解决方案。我们的代码可公开获取：https://github.com/MISTLab/vpr-calibration-and-uncertainty
2023-03-14 cs.CV cs.RO
Camera Calibration via Circular Patterns: A Comprehensive Framework with Detection Uncertainty and Unbiased Projection Model
Seoul National University（首尔国立大学）
本文提出了一种基于圆形图案的相机校准框架，通过无偏投影模型和不确定性建模提升校准精度与鲁棒性。
2025-12-13 cs.CV cs.RO
Confidence-Uncertainty Boundary Calibration for Bayesian Deep Learning in Medical Image Analysis
Escuela Técnica Superior de Ingenieros de Telecomunicación Universidad Politécnica de Madrid（电信工程高级学院马德里理工大学）
提出基于贝叶斯深度学习的概率优化框架，通过置信-不确定性边界曲线（CUBC）和边界损失（CUB-Loss）校准预测置信与不确定性，并引入双温度缩放（DTS）进行后处理，在肺炎、糖尿病视网膜病变和皮肤病变三个医学图像任务上验证了有效性。
2026-06-23 cs.CV cs.LG
Optimizing Active Learning in Vision-Language Models via Parameter-Efficient Uncertainty Calibration
Intel Labs（英特尔实验室）；Intel Corporation（英特尔公司）
针对大规模视觉-语言模型主动学习的不确定性估计与高效采样难题，提出融入不确定性校准损失的参数高效学习方法，性能匹配或超越复杂特征采样法且计算高效，还对比了提示学习与LoRA在样本选择中的效果。
2025-07-29 cs.CV
Instant Uncertainty Calibration of NeRFs Using a Meta-Calibrator
University of Oxford（牛津大学）
本文提出一种元校准器，通过单次前向传播为NeRFs实现校准不确定性，无需留出目标场景图像，显著优于现有方法，提升下游应用可靠性。
2024-09-20 cs.CV
Enhancing accuracy of uncertainty estimation in appearance-based gaze tracking with probabilistic evaluation and calibration
本文提出了一种基于概率评估和校准的方法，用于提升基于外观的注视跟踪中不确定性估计的准确性，通过引入严格评价指标和修正策略来减少模型偏差并提高性能。
2026-03-11 cs.CV
TEScalib: Targetless Extrinsic Self-Calibration of LiDAR and Stereo Camera for Automated Driving Vehicles with Uncertainty Analysis
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；FZI Research Center for Information Technology（FZI信息技术研究中心）
在本文中，我们提出了TEScalib，一种新的外部自校准方法的激光雷达和立体相机使用周围环境的几何和光度信息，没有任何校准目标的自动驾驶车辆。由于激光雷达和立体相机广泛用于自动驾驶车辆的传感器数据融合，因此它们的外部校准非常重要。然而，大多数LiDAR和立体相机校准方法主要是基于目标的，因此耗时。即使是最近几年新开发的无目标方法也不准确或不适合驾驶平台。为了解决这些问题，我们引入了TESCalib。通过应用基于三维网格重建的点云配准，几何信息被用于精确和鲁棒地估计LiDAR到立体相机的外部参数。为了标定立体相机，建立了一个光度误差函数，并涉及LiDAR深度转换的关键点从一个相机到另一个。在驱动期间，这两个部分被迭代地处理。此外，我们还提出了一个不确定性分析，以反映估计的外部参数的可靠性。我们在KITTI数据集上评估的TEScalib方法取得了非常有希望的结果。
2022-02-28 cs.CV
Uncertainty-driven and Adversarial Calibration Learning for Epicardial Adipose Tissue Segmentation
本文提出SPDNet网络，通过特征潜在空间不确定性建模与对抗校准学习，解决心外膜脂肪组织分割中低对比度和运动伪影问题，在ACDC和临床数据集上优于主流模型。
2024-02-23 cs.CV cs.LG eess.IV
Dirichlet-based Uncertainty Calibration for Active Domain Adaptation
Beijing Institute of Technology（北京理工大学）
主动领域自适应（DA）的目标是通过主动选择有限的目标数据进行注释来最大限度地提高模型在新目标域上的自适应能力，而传统的主动学习方法由于没有考虑域偏移问题而效率较低。尽管主动DA方法通过进一步提出目标性来测量目标域特征的代表性来解决这个问题，但是它们的预测不确定性通常基于确定性模型的预测，这很容易在具有分布偏移的数据上被误校准。考虑到这一点，我们提出了一个\textit{Dirichlet-based Uncertainty Calibration}（DUC）主动DA的方法，它同时实现了减少误校准和选择的信息目标样本。具体来说，我们在预测上放置Dirichlet先验，并将预测解释为概率单纯形上的分布，而不是像确定性模型那样的点估计。这种方式使我们能够考虑所有可能的预测，减少单边预测的误差。然后设计了一种基于不同不确定性来源的两轮选择策略，选择既能代表目标领域又有利于区分的目标样本。通过跨域图像分类和语义分割的大量实验验证了DUC的优越性。
2023-02-27 cs.CV
Angular Gap: Reducing the Uncertainty of Image Difficulty through Model Calibration
Imperial College London（帝国理工学院）；Samsung Research（三星研究院）
课程学习需要实例难度由易到难。然而，图像难度的可信度却很少被调查，这会严重影响课程的有效性。在这项工作中，我们提出了角度差距，这是一种基于超球面学习构建的特征嵌入和类权重嵌入之间角距离差异的难度度量。为了确定估计的难度，我们将类模型校准作为一种后训练技术引入到学习的双曲空间中。这弥合了概率模型校准和超球面学习的角距离估计之间的差距。我们在CIFAR 10-H和ImageNetV 2上展示了我们校准的角度差距优于最近的难度指标。我们进一步提出了基于角度间隙的课程学习，用于无监督的领域自适应，可以从学习简单的样本转化为挖掘硬样本。我们将此课程与最先进的自我训练方法，循环自我训练（CST）相结合。拟议的Curriculum CST学习了强大的表示，并在2017年和VisDA 2017年的表现优于最近的基线。
2022-07-18 cs.CV
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
Towards Reliable WMH Segmentation under Domain Shift: An Application Study using Maximum Entropy Regularization to Improve Uncertainty Estimation
CONICET-UNL（阿根廷国家科学技术研究委员会-国立利托拉尔大学）；ETS（高等技术学院）；Tryolabs；CONICET-Universidad de Buenos Aires（阿根廷国家科学技术研究委员会-布宜诺斯艾利斯大学）
本研究针对域偏移下脑白质高信号分割的模型校准与不确定性估计难题，提出最大熵正则化方法，经U-Net在两个公开数据集实验验证，可强化不确定性与分割性能的相关性并改善域偏移下的模型校准。
2025-06-17 cs.CV eess.IV
DD-MDN: Human Trajectory Forecasting with Diffusion-Based Dual Mixture Density Networks and Uncertainty Self-Calibration
Faculty of Engineering, University of Applied Sciences Aschaffenburg（亚琛应用科学大学工程学院）；Intelligent Embedded Systems Lab, University of Kassel（卡塞尔大学智能嵌入式系统实验室）
DD-MDN通过结合扩散模型和双混合密度网络，实现高精度的人体轨迹预测，具备自校准的不确定性建模和对短观察期的鲁棒性。
2026-02-11 cs.CV cs.RO
Uncertainty-driven training for three-dimensional calibrated lung nodule classification
The University of Manchester（曼彻斯特大学）
提出不确定性驱动训练框架，利用MCD和EDL估计指导损失重加权，在多种骨干网络上提升CT肺结节分类的校准性能，ECE降低高达65%。
2026-09-21 cs.CV eess.IV
UG-UMRE: Uncertainty-Guided Modality Augmentation and Distributional Calibration for Unified Multimodal Relation Extraction
Xinjiang University（新疆大学）；Chongqing Jiaotong University（重庆交通大学）
针对统一多模态关系抽取的噪声传播与模态分布异质性问题，提出含UDUA和JAUA模块的UG-UMRE网络，在UMRE等三个基准数据集上实现最优性能，模块可插拔且有效。
2026-08-06 cs.CL cs.CV cs.IT
