UncertaINR: Uncertainty Quantification of End-to-End Implicit Neural Representations for Computed Tomography

要約

暗黙の神経表現（INR）は、シーンの再構築とコンピューターグラフィックスで印象的な結果を達成しており、そのパフォーマンスは主に再構成の精度で評価されています。
INRが他のドメインに進出するにつれて、モデルの予測がハイステークスの意思決定に情報を提供するため、INR推論の不確実性の定量化が重要になりつつあります。
そのために、コンピュータ断層撮影のコンテキストで、INRのベイズ再定式化UncertaINRを研究し、精度とキャリブレーションの観点からいくつかのベイズ深層学習の実装を評価します。
他の従来のINRベース、およびCNNベースの再構成手法と競合する精度を維持しながら、十分に調整された不確実性を実現していることがわかります。
最高のパフォーマンスを発揮する以前のアプローチとは対照的に、UncertaINRは大規模なトレーニングデータセットを必要とせず、ほんの一握りの検証画像を必要とします。

要約(オリジナル)

Implicit neural representations (INRs) have achieved impressive results for scene reconstruction and computer graphics, where their performance has primarily been assessed on reconstruction accuracy. As INRs make their way into other domains, where model predictions inform high-stakes decision-making, uncertainty quantification of INR inference is becoming critical. To that end, we study a Bayesian reformulation of INRs, UncertaINR, in the context of computed tomography, and evaluate several Bayesian deep learning implementations in terms of accuracy and calibration. We find that they achieve well-calibrated uncertainty, while retaining accuracy competitive with other classical, INR-based, and CNN-based reconstruction techniques. In contrast to the best-performing prior approaches, UncertaINR does not require a large training dataset, but only a handful of validation images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google