Towards Reducing Aleatoric Uncertainty for Medical Imaging Tasks
원문 초록
In safety-critical applications like medical diagnosis, certainty associated with a model's prediction is just as important as its accuracy. Consequently, uncertainty estimation and reduction play a crucial role. Uncertainty in predictions can be attributed to noise or randomness in data (aleatoric) and incorrect model inferences (epistemic). While model uncertainty can be reduced with more data or bigger models, aleatoric uncertainty is more intricate. This work proposes a novel approach that interprets data uncertainty estimated from a self-supervised task as noise inherent to the data and utilizes it to reduce aleatoric uncertainty in another task related to the same dataset via data augmentation. The proposed method was evaluated on a benchmark medical imaging dataset with image reconstruction as the self-supervised task and segmentation as the image analysis task. Our findings demonstrate the effectiveness of the proposed approach in significantly reducing the aleatoric uncertainty in the image segmentation task while achieving better or on-par performance compared to the standard augmentation techniques.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
어텐션 유도 마스킹은 객체 중심 학습에서 객체 발견에 실제로 도움이 되는가?
Does Attention-Guided Masking Really Help Object Discovery in Object-Centric Learning?
객체 중심 학습(Object-Centric Learning, OCL)은 사람의 어노테이션 없이 이미지를 객체 단위로 분해하는 것을 목표로 한다. 주류 방법의 한 계열은 Slot Attention을 사용해 이미지 특징을 객체 수준 표현으로 집약한 뒤, 이를 바탕으로 마스킹된 이미지 내용, 즉 랜덤 마스킹(Random Masking, RM)을 재구성하여 자기지도 학습 신호를 제공한다. 최근 방법인 DIAS는 이미지 패치를 균일한 무작위성으로 단순히 마스킹함에도 경쟁력 있는 객체 발견 정확도를 달성한다. 집약 과정의 어텐션은 이미 객체 발견 능력을 갖고 있으므로, 이를 활용해 더 나은 이미지 패치 마스킹 전략, 즉 어텐션 유도 마스킹(Attention Guided Masking, AGM)을 개발하고 더 나은 자기지도 학습을 제공하는 방안을 탐구한다. 여섯 개의 널리 인정된 데이터셋에서의 결과는 AGM가 RM보다 항상 우수한 것은 아님을 보여준다. 무조건적 슬롯 초기화 하에서 AGM는 사실적인 텍스처를 가진 데이터셋(COCO 및 VOC)에서 배경 분할을 크게 개선한다. 조건부 또는 무조건적 슬롯 초기화 여부와 데이터셋을 불문하고, 전경 객체 발견은 비슷한 수준이거나 감소한다. OCL 커뮤니티의 동료 연구자들에게, 마스킹 디코딩으로 OCL을 개선하기 위해 내부 어텐션 의미를 활용하려는 시도는 위험할 수 있다고 제안한다. 소스 코드, 모델 체크포인트 및 평가 로그는 https://github.com/und-entropy/Does-Attention-Guided-Masking-Really-Help-Object-Discovery-in-Object-Centric-Learning-. 에서 이용할 수 있다.
XMatchAD: 재구성 기반 이상 탐지를 위한 교차-모달 매칭 관점
XMatchAD: A Cross-Modal Matching Perspective on Reconstruction-based Anomaly Detection
재구성 기반 방법이 비지도 이상 탐지(UAD)에서 뛰어난 성공을 거둔 이유는, 입력 이미지와 재구성된 대응 이미지 간의 불일치를 모델링하여 이상을 식별하고 국소화할 수 있기 때문이다. 그러나 이러한 접근법은 미세한 이상을 포착하는 데 종종 어려움을 겪으며, 흐릿한 이상 경계를 생성하는 경향이 있어, 특히 복잡한 다중 클래스 시나리오에서 효과를 크게 제한한다. 이러한 문제를 해결하기 위해, 우리는 의사(pseudo) 교차-모달 매칭 관점에서 작업을 재해석하는 새로운 UAD 프레임워크인 XMatchAD를 제안한다. 구체적으로, 입력 이미지와 재구성 이미지를 두 개의 상보적 모달리티로 취급하고, 이들의 매칭 관계를 이상 탐지를 위해 정밀하게 활용한다. 첫째, 사전학습된 특징 추출기를 사용하여 판별적 표현을 인코딩한다. 둘째, 어텐션 기반 교차-모달 매칭 메커니즘을 도입하여, 특징을 상호 정제하면서 국소적 모달 간 이상 관련 패턴을 매칭한다. 이는 다양한 형태와 미세한 편차를 가진 이상에 대한 민감도를 높이고, 이상 탐지 및 국소화의 정밀도를 크게 향상시킨다. 셋째, 교차-모달 다중 스케일 표현의 고주파 성분 결합을 통해 선명한 이상 경계를 더욱 명확히 구분하는 적응형 주파수 인식 융합 모듈을 설계한다. MVTec-AD, VisA, MPDD 벤치마크에 대한 포괄적 평가를 통해, 우리 방법이 일관되게 우수한 성능을 달성하며 다중 클래스 이상 탐지 및 국소화에서 최신(state-of-the-art) 방법들을 능가함을 보여준다. 코드는 https://github.com/Mingxiu-Cai/XMatchAD 에서 공개될 예정이다.
시차 인물 매팅
Parallax Portrait Matting
이미지 매팅(image matting)은 전경과 배경 모두 텍스처가 풍부한 경우 특히 심각한 비적정(ill-posed) 문제입니다. 단일 이미지 매팅 방법들은 데이터로부터 강력한 사전 지식을 학습하지만, 이러한 어려운 사례에서는 종종 성능이 저하됩니다. 기존 접근법들은 그린 스크린, 편광 조명, 또는 깨끗한 배경 이미지 같은 추가 신호를 요구하여 결과를 개선하지만, 이는 일반적으로 특수 촬영 장치에 의존합니다. 본 논문은 시차 인물 매팅(Parallax Portrait Matting)을 제안합니다. 이는 약간의 시점 변화로 촬영된 두 번째 이미지를 활용하는 실용적인 두 프레임 매팅 방법입니다. 이러한 설정은 연속 촬영(burst photography)에서 자연스럽게 발생하며, 작은 카메라 움직임이 전경-배경 시차를 유발하고 매팅을 위한 상보적 관측을 제공합니다. 제안하는 파이프라인은 트리맵(trimap)과 전경·배경 모션을 추정한 후 예측을 위한 정렬된 뷰를 구성합니다. 불완전한 모션 추정을 처리하기 위해, 네트워크는 직접 융합에 배경 정렬 쌍을 활용하고, 오류 보정을 위해 크로스 어텐션(cross-attention)을 통해 전경 정렬 단서를 활용합니다. 실험 결과, 제안 방법은 어려운 인물 사례에서 강력한 단일 이미지 매팅 기준 모델들에 비해 더 세밀한 디테일과 더 정확한 전경 색상을 복원함을 보여줍니다.
MASNet: A Robust Deep Marine Animal Segmentation Network
흉부 방사선 사진 골 억제를 위한 확장 가능한 감독으로서 해부학 분해 흉부 CT 투영
Anatomy-Decomposed Chest Computed Tomography (CT) Projections as Scalable Supervision for Bone Suppression in Chest Radiographs
뼈 중첩은 흉부 X선 영상에서 이상 소견을 가릴 수 있으며, 짝지어진 학습 데이터의 부족은 지도 학습 기반 뼈 억제를 제한한다. 본 연구는 이러한 문제를 흉부 컴퓨터단층촬영(CT)을 성분 억제를 위한 짝지어진 지도 신호로 변환하는 디지털 재구성 방사선영상(DRR) 프레임워크로 해결한다. 새로운 뼈 분할 알고리즘을 통해 CT를 뼈, 폐를 제외한 연조직, 폐 성분으로 분해하고 각각을 별도로 투영한다. 이들의 가중 결합은 전체 DRR과 정확히 합산되는 픽셀 정합 성분 영상을 갖춘 합성 방사선영상을 만들어 낸다. 이러한 데이터로 학습한 모델은 대상 성분을 예측하고 나머지를 차감으로 복원하는 방식으로 뼈 또는 폐 성분을 억제하며, 실제 짝지어진 학습 데이터 없이도 실제 방사선영상으로 전이된다. 확장으로서, 실제 방사선영상에 대한 모델의 출력은 짝지어지지 않은 성분별 DRR 변환을 위한 목표 도메인을 제공하여, 해부학적 세부 구조를 유지하면서 외형 격차를 줄인다. 여러 공개 데이터셋에서 수행한 하위 검출 실험은 뼈 억제의 효용을 보여 주며, 그 이득은 뼈 중첩이 큰 이상 소견에 집중된다. 동일한 CT에 적용한 오픈소스 DRR 엔진과 비교할 때, 수정하지 않은 본 DRR은 현실감과 레이블 관련 해부 구조의 보존에서 대등한 수준을 달성하였으며, 변환된 DRR은 평가한 방법 중 가장 우수한 Fréchet inception distance(FID), 폐야 선명도, 원본 CT 해부 구조와의 일치도를 달성하였다. 모델 및 추론 코드: https://huggingface.co/qureaiorg/bone-suppression ; 변환된 투영 영상: https://huggingface.co/datasets/qureaiorg/ct2xr-projections.
원격 탐사 변화 탐지를 위한 시간 순서화된 영역 토큰 Mamba와 로짓 공간 확산 모델
Temporally Ordered Region-Token Mamba with Logit-Space Diffusion for Remote Sensing Change Detection
원격 탐사의 변화 탐지(Change Detection, CD)는 변화된 영역을 정확히 위치시키기 위해 이시점 문맥과 세밀한 공간적 세부 정보를 함께 모델링해야 한다. 밀집 어텐션은 이시점 관계를 효과적으로 포착하지만, 계산 비용 때문에 고해상도 영상으로의 확장성이 제한된다. 반면 기존의 특징 융합과 거친 디코딩은 실제 변화와 외형 변이를 구별하고 객체 경계를 보존하는 데 어려움을 겪는 경우가 많다. 이러한 한계를 극복하기 위해, 우리는 시간적으로 구조화된 상태 공간 모델링과 로짓 공간 확산 정제를 통합한 프레임워크인 BMD-CD(Bitemporal Mamba-Diffusion for Change Detection)를 제안한다. BMD-CD는 먼저 심층 이시점 특징을 영역 토큰으로 변환하고 이를 명시적인 시간 분할로 조직하여 양방향 상태 공간 전파를 수행한다. 이어서 시간 정보를 통합하는 학습 가능한 삼각 융합(Learnable Trigonometric Fusion, LTF) 모듈과, 짧은 DDIM 스케줄로 로짓 공간에서 거친 예측을 정제하여 세밀한 고해상도 변화 지도를 생성하는 조건부 확산 디코더를 사용한다. LEVIR-CD, WHU-CD, DSIFN-CD, CDD, S2Looking에서의 광범위한 실험을 통해 제안 방법의 효과를 입증한다. BMD-CD는 WHU-CD, DSIFN-CD, LEVIR-CD, CDD에서 각각 0.923, 0.957, 0.882, 0.979의 IoU 점수를 달성하며, ValaisCD와 B-FLAIR-test에서도 강력한 제로샷 견고성을 보인다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.