Self-supervised Conformal Prediction for Uncertainty Quantification in Imaging Problems

要約

ほとんどの画像回復の問題は、条件が不適切または不適切であるため、重大な不確実性が含まれます。
この不確実性を定量化することは、特に再構築された画像が重要な決定と科学に情報を提供する場合、実験結果を確実に解釈するために重要です。
ただし、ほとんどの既存の画像修復方法は、不確実性の定量化に失敗するか、非常に不正確な推定値を提供します。
適合予測は最近、推定器に、建設によりほぼ正確な限界カバレッジを持つ不確実性の定量化能力を装備するための柔軟なフレームワークとして浮上しました。
これを達成するために、コンフォーマル予測は、キャリブレーションのための豊富なグラウンドトゥルースデータに依存しています。
ただし、画像の修復の問題では、信頼できるグラウンドトゥルースデータは、多くの場合、高価であるか、獲得することができません。
また、グラウンドトゥルースデータへの依存は、キャリブレーションと展開の間の分布シフトの状況で大きなバイアスを導入する可能性があります。
このペーパーは、スタインの偏見のないリスク推定器（確かに）を活用する自己監督のコンフォーマル予測方法を提案することにより、観察された騒々しい測定から直接自己調整し、必要なものを妨害する自己監視のコンフォーマル予測方法を提案することにより、画像修復問題の適合予測に対するより堅牢なアプローチを開発しようとしています。
グラウンドトゥルース。
この方法は、条件が整っていない線形イメージングの逆問題に適しており、測定データから直接トレーニングできる最新の自己監視画像修復技術で使用すると、特に強力です。
提案されたアプローチは、画像の除去と脱生の数値実験を通じて実証されており、グラウンドトゥルースデータを使用して監視されたコンフォーマル予測によって得られたものと同等の結果を提供します。

要約(オリジナル)

Most image restoration problems are ill-conditioned or ill-posed and hence involve significant uncertainty. Quantifying this uncertainty is crucial for reliably interpreting experimental results, particularly when reconstructed images inform critical decisions and science. However, most existing image restoration methods either fail to quantify uncertainty or provide estimates that are highly inaccurate. Conformal prediction has recently emerged as a flexible framework to equip any estimator with uncertainty quantification capabilities that, by construction, have nearly exact marginal coverage. To achieve this, conformal prediction relies on abundant ground truth data for calibration. However, in image restoration problems, reliable ground truth data is often expensive or not possible to acquire. Also, reliance on ground truth data can introduce large biases in situations of distribution shift between calibration and deployment. This paper seeks to develop a more robust approach to conformal prediction for image restoration problems by proposing a self-supervised conformal prediction method that leverages Stein’s Unbiased Risk Estimator (SURE) to self-calibrate itself directly from the observed noisy measurements, bypassing the need for ground truth. The method is suitable for any linear imaging inverse problem that is ill-conditioned, and it is especially powerful when used with modern self-supervised image restoration techniques that can also be trained directly from measurement data. The proposed approach is demonstrated through numerical experiments on image denoising and deblurring, where it delivers results that are remarkably accurate and comparable to those obtained by supervised conformal prediction with ground truth data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google