Self-supervised conformal prediction for uncertainty quantification in Poisson imaging problems

要約

画像の復元の問題はしばしば不適切であり、再構築された画像の重大な不確実性をもたらします。
この不確実性を正確に定量化することは、再構築された画像の信頼できる解釈に不可欠です。
ただし、画像の復元方法には不確実性の定量化能力が欠けていることがよくあります。
コンフォーマル予測は、正確な不確実性の定量化推定値を備えた画像修復方法を強化するための厳密なフレームワークを提供しますが、通常、キャリブレーションには豊富なグラウンドトゥルースデータが必要です。
この論文では、ポアソンイメージングの問題に関する自己監視されたコンフォーマル予測方法を提示し、ポアソンが不偏リスク推定器を活用して、グラウンドトゥルースデータの必要性を排除します。
結果として得られる自己調整のコンフォーマル予測アプローチは、条件が整っていないポアソン線形イメージングの問題に適用でき、測定データで直接訓練された最新の自己監視画像修復技術と組み合わせると特に効果的です。
提案された方法は、画像の除去と脱生の数値実験を通じて実証されています。
そのパフォーマンスは、グラウンドトゥルースデータに依存する監視されたコンフォーマル予測方法に匹敵します。

要約(オリジナル)

Image restoration problems are often ill-posed, leading to significant uncertainty in reconstructed images. Accurately quantifying this uncertainty is essential for the reliable interpretation of reconstructed images. However, image restoration methods often lack uncertainty quantification capabilities. Conformal prediction offers a rigorous framework to augment image restoration methods with accurate uncertainty quantification estimates, but it typically requires abundant ground truth data for calibration. This paper presents a self-supervised conformal prediction method for Poisson imaging problems which leverages Poisson Unbiased Risk Estimator to eliminate the need for ground truth data. The resulting self-calibrating conformal prediction approach is applicable to any Poisson linear imaging problem that is ill-conditioned, and is particularly effective when combined with modern self-supervised image restoration techniques trained directly on measurement data. The proposed method is demonstrated through numerical experiments on image denoising and deblurring; its performance are comparable to supervised conformal prediction methods relying on ground truth data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google