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

要約

タイトル：Computed TomographyのためのEnd-to-End Implicit Neural Representationsの不確実性評価

要約：
– Implicit Neural Representations(INRs)は、シーン再構築やコンピュータグラフィックスにおいて、高い再構成精度を備えた印象的な成果を収めている。
– しかし、INRsがモデルの予測が高いリスクのある決定づけに用いられる分野に進出するにつれ、INR推論の不確実性評価は重要になってきている。
– そこで、Bayesian deep learningの手法を取り入れたINRのベイズ的再定式化、UncertaINRをComputed Tomographyの文脈で研究し、精度とキャリブレーションの観点から、いくつかのBayesian deep learning実装を評価する。
– INRは他の经典的なINRベースかCNNベースの再構築手法と競合できる精度を保ちつつ、よくキャリブレーションされた不確実性を実現できることがわかった。
– Bayesian deep learningの文献における一般的な感覚に反して、INRは計算効率の高いMonte Carlo dropoutによる最適なキャリブレーションを実現し、Hamiltonian Monte CarloやDeep Ensembleを上回る結果を示した。
– さらに、最高の事前手法と比較して、 UncertaINR は大規模なトレーニングデータセットではなく、わずかな検証画像のみで動作するため、実装が容易になる。

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. Contrary to common intuition in the Bayesian deep learning literature, we find that INRs obtain the best calibration with computationally efficient Monte Carlo dropout, outperforming Hamiltonian Monte Carlo and deep ensembles. Moreover, 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, OpenAI