The Aleatoric Uncertainty Estimation Using a Separate Formulation with Virtual Residuals
원문 초록
We propose a new optimization framework for aleatoric uncertainty estimation in regression problems. Existing methods can quantify the error in the target estimation, but they tend to underestimate it. To obtain the predictive uncertainty inherent in an observation, we propose a new separable formulation for the estimation of a signal and of its uncertainty, avoiding the effect of overfitting. By decoupling target estimation and uncertainty estimation, we also control the balance between signal estimation and uncertainty estimation. We conduct three types of experiments: regression with simulation data, age estimation, and depth estimation. We demonstrate that the proposed method outperforms a state-of-the-art technique for signal and uncertainty estimation.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
학습된 관절 운동 제약을 이용한 단안 영상 기반 수술 운동학
Surgical Kinematics from Monocular Video with Learned Articulated Motion Constraints
로봇 수술의 객관적 평가는 기구 운동학을 사용하며, 영상만 이용 가능한 경우 이를 재구성해야 한다. 우리는 단안 영상으로부터 기구의 위치, 방향 및 jaw 각도를 추정하는 운동학 재구성 네트워크를 제안한다. 시각 표현은 고정(frozen) DINOv3 특징에 대한 전역 어텐션 풀링과 파인튜닝된 SAM 3.1 마스크로 얻은 기구 랜드마크에서의 국소 풀링을 결합한다. 공유 트랜스포머 인코더와 시간적 합성곱 헤드는 이 표현을 마스크 기하, 단안 깊이, 및 팔(arm)별 다층 회귀 네트워크의 시각 상태 추정치와 통합한다. 위치 분기는 이동 거리를 보존하기 위해 변위 크기와 방향을 각각 예측한다. 예측된 상태 관측 및 운동 증분에 대해 미분 가능 가중 최소자승법으로 궤적을 맞추며, 누적 예측 회전에 상대적인 쿼터니언 관측을 표현하여 이차 방향 목적함수를 얻는다. 2,802개의 Open-H 에피소드에서 재구성을 평가한다. 주 Open-H 벤치마크에서 LiveMAE와 비교할 때, 본 방법은 경로 길이 평균 절대 오차를 0.45cm에서 0.34cm로 줄이고, 동작 분할을 위한 시간적 평균 평균 정밀도를 44.54%에서 54.44%로 높인다.
MAGE-Vein: 손가락 정맥 이미지 기반 다중 인스턴스 연령·성별 추정
MAGE-Vein: Multi-Instance Age and Gender Estimation from Finger Vein Images
손가락 정맥 이미지를 이용한 연령 추정은 공개 데이터셋의 심각한 인구통계학적 편향과 성별과 같은 생리학적 교란 요인으로 인해 실용적이지 않다고 널리 여겨져 왔다. 이러한 한계를 극복하기 위해, 우리는 새로운 다중 인스턴스, 다중 과제 학습(multi-task learning) 프레임워크인 MAGE-Vein을 제안한다. 우리의 접근법은 세 손가락의 하이브리드 특징 수준(feature-level) 융합을 통해 견고한 구조적 노화 징후를 추출하여 국소 영상 노이즈를 효과적으로 억제한다. 또한 성별 분류를 동시에 최적화함으로써 네트워크가 성별 특이적 혈관 변이를 효과적으로 제거하도록 유도한다. 인구통계학적으로 균형 잡힌 402명의 피험자 데이터셋에서 평가한 결과, MAGE-Vein은 평균 절대 오차 6.12년과 상관계수 0.880을 달성한다. 우리의 결과는 손가락 정맥 모달리티의 한계에 관한 기존 합의를 뒤집을 뿐만 아니라, 이전 추정 실패가 주로 편향된 공개 데이터셋에서 기인한 인공물이었음을 보여준다. 코드는 https://github.com/gsisaoki/MAGE-Vein 에서 제공된다.
STEREOFLOW: StereoDiT와 Transition Flow Matching 기반 점진적 스테레오 매칭
STEREOFLOW: Progressive Stereo Matching with StereoDiT and Transition Flow Matching
스테레오 매칭(stereo matching)은 3D 재구성에서 근본적인 과제이다. 비록 놀라운 발전이 있었지만, 지배적인 패러다임은 스테레오 매칭을 결정론적 회귀(regression) 문제로 공식화하여 다중모드(multimodal) 분포 모델링을 단일점 추정으로 축소한다. 이 공식화는 평균으로의 회귀(regression-to-mean) 바이어스에 시달리며, 모호한 영역에서 자주 어려움을 겪는다. 반면, 우리는 결정론적 매칭 회귀와 생성적 분포 모델링을 상호 보완적 공식화 내에서 통합하는 선행 정보 유도(prior-guided) 생성적 프레임워크를 제안한다. 이 공식화를 바탕으로, 세 가지 핵심 구성 요소를 통해 StereoFlow를 제안한다: (i) 보완적 매칭 단서를 갖춘 다중 해상도 스테레오 조건을 점진적으로 생성하는 2단계 점진적 캐스케이드 매칭 네트워크; (ii) 대응(correspondence) 모호성을 모델링하기 위한 주파수 분리(frequency-decoupled) 아키텍처를 갖춘, StereoDiT라 불리는 픽셀 확산(diffusion) 트랜스포머; (iii) 효율적 최적화(optimization)를 위한, Transition Flow Matching이라 불리는 소수 단계 플로우 매칭(flow matching) 목적 함수. 요약하면, StereoFlow는 강한 기하학적 일관성과 ill-posed한 불연속 영역 및 제로샷(zero-shot) 일반화에서 풍부한 세밀한 디테일을 달성한다. 광범위한 실험은 제안된 StereoFlow가 Scene Flow, KITTI, ETH3D, Middlebury를 포함한 여러 벤치마크(benchmark)에서 다수의 최신(state-of-the-art) 결과를 달성함을 보여준다.
RoughNet: 확산 기반 위성 영상 초해상화를 통한 북극 해빙 거칠기 매핑
RoughNet: Mapping Arctic Sea Ice Roughness Using Diffusion-Based Super-Resolution of Satellite Imagery
고정해빙(landfast sea ice) 거칠기의 정확한 추정은 기후 모델링과 안전한 북극 빙상 통행에 필수적이지만, 기존 접근법은 비용이 큰 항공 측량이나 sparse한 현장 측정에 의존하여 공간적 커버리지와 운영 확장성을 제한한다. 여기서는 조건부 확산 프레임워크를 사용하여 광학 위성 영상으로부터 고해상도 해빙 지형을 직접 복원할 수 있음을 보인다. 우리의 접근법인 RoughNet은 10m 해상도 Sentinel-2 다중분광 영상을 국소 정규화된 1m 표면 고도 잔차 장으로 매핑하는 방법을 학습하여, 널리 이용 가능한 위성 데이터로부터 미세 규모 거칠기 특성화를 가능하게 한다. 두 개의 북극 지역에서 수집한 항공 LiDAR 데이터로 학습하고, 이전에 보지 못한 세 번째 북극 지역에서 평가한 결과, 모델은 다양한 빙상 조건에 일반화되며 소규모 지형 구조를 부분적으로 재현한다. 최고 성능 모델은 영역 외(out-of-domain) 평균 제곱근 오차(RMSE) 9cm를 달성하면서, 기저 거칠기 장의 통계적 및 스펙트럴 특성을 보존한다. 이 결과는 생성형 확산 모델이 광학 영상만으로 물리적으로 의미 있는 표면 구조를 복원할 수 있음을 보여주며, 데이터가 sparse한 환경에서 고해상도 해빙 매핑과 거칠기 추정을 위한 확장 가능한 경로를 제공한다.
장거리 단일 촬영 Fringe Projection Profilometry에서 형상 선행 지름길 보정
Repairing Shape-Prior Shortcuts in Long-Range Single-Shot Fringe Projection Profilometry
깊이를 직접 회귀하는 단일 촬영 fringe projection profilometry(FPP) 네트워크는 형상 선행(shape-prior) 지름길을 이용할 수 있으며, fringe 위상이 아니라 객체 경계로부터 깊이를 복원한다. 사실적인(photorealistic) 합성 벤치마크(15,600개 fringe 이미지, 1.5–2.1 m 거리에서 50개 객체)에서, 최고의 이러한 UNet 기준선은 14.54 mm 객체 평균 절대 오차(MAE)에서 정체되며, 더 많은 데이터나 더 큰 용량도 지름길을 제거하지 못하는데, 이는 둘 다 옵티마이저가 탐색하는 가설 공간(hypothesis space)을 바꾸지 않기 때문이다. PhiCalNet을 제안한다. 이는 래핑된 위상(wrapped-phase) 표현 $(\sinφ, \cosφ)$을 출력하고, 고정된 미분 가능한 보정(calibration) 층을 통해 깊이에 매핑하여, 손실 페널티가 아니라 아키텍처적으로 형상 선행 해를 제거한다. 단일 촬영 매핑은 fringe order 없이 비단사(non-injective)이므로, PhiCalNet은 fringe order를 보조 입력으로 받으며, 민감도 분석은 이 가정이 현실적인 디코딩 오차를 허용함을 보여준다. 동일한 물리를 소프트 페널티로 사용한 물리 정보(PINN) 기준선은 이득을 주지 않아, 아키텍처 선택이 작용 요인임을 분리해 보여준다. PhiCalNet은 객체 MAE를 3.3배 줄여 4.46 mm에 이르게 하며, 잔차는 $\pmπ$ 래핑 불연속(wrap discontinuity)에서 픽셀의 0.103%에 국한되고, 3프레임 확장은 1.16 mm에 달한다. 두 가지 검증이 일치한다: 해석 가능성(interpretability)은 위상(phase)을 가장 디코딩 가능한 내부 특징으로 만들며, 우리가 아는 한 FPP에 대한 최초인 픽셀 단위 conformal 불확실성 정량화(uncertainty quantification)는 동일한 불연속 지점에서 오류를 국한하며, 스냅샷 불일치(snapshot disagreement)로 상위 5% 픽셀을 거부하면 기준선의 3.5%가 아닌 64%만큼 RMSE(root-mean-square error)를 줄인다.
지구 관측 회귀 태스크를 위한 불확실성 정량화: 건물 높이, 수관 높이 및 지상 바이오매스 추정
Uncertainty Quantification for EO Regression Tasks: Building Height, Tree Canopy Height and Above-ground Biomass Estimation
건물 높이, 수관 높이, 지상 바이오매스 추정과 같은 지구 관측(EO) 회귀 태스크는 정확성과 신뢰성이 모두 중요한 도시 계획, 산림 모니터링, 기후 정책 분야의 핵심 응용을 뒷받침한다. 그러나 대부분의 심층 학습 모델은 결정론적 예측만을 산출하며, 픽셀별 신뢰도에 대한 정보를 전혀 제공하지 않는다. 이러한 회귀 태스크는 이질적인 지표면, 편향된 목표 분포, 센서 노이즈, 높은 목표값에서의 신호 포화로 인해 본질적으로 어렵기 때문에, 신뢰할 수 있는 추론을 위해 불확실성(UC) 추정이 필수적이다. 본 연구는 연간 Sentinel-1 SAR 및 Sentinel-2 MSI 시계열 데이터를 활용한 인식론적 불확실성 모델링을 통해 이 문제를 해결하며, 두 가지 상호 보완적인 접근 방식을 제안한다: (i) 가우시안 분포 가정하에 평균과 표준편차를 공동으로 예측하는 가우시안 UC, (ii) 비대칭적이고 이분산적인 오차 분포를 포착하기 위해 10번째, 50번째, 90번째 분위수를 추정하는 분위수 UC. 두 모델 모두 10m 공간 해상도에서 세 가지 대표적인 EO 회귀 태스크에 대해 평가된다. 실험 결과, 두 접근 방식 모두 결정론적 벤치마크 및 기존 전지구 제품과 동등하거나 이를 능가하는 성능을 보이면서, 잘 보정되고 해석 가능하며 실용적으로 유용한 신뢰도 추정값을 제공한다. 특히, 두 모델 모두 수관 높이 추정에서 현재 10m 해상도의 최신 불확실성 인식 모델을 능가한다. 구현 코드는 https://github.com/RituYadav92/EO-Regression-Uncertainty-Estimation 에서 제공될 예정이다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.