arXiv:2309.07374

Beta quantile regression for robust estimation of uncertainty in the presence of outliers

Haleh Akrami, Omar Zamzam, Anand Joshi, Sergul Aydore, Richard Leahy

제출 2023-09-14

원문 초록

Quantile Regression (QR) can be used to estimate aleatoric uncertainty in deep neural networks and can generate prediction intervals. Quantifying uncertainty is particularly important in critical applications such as clinical diagnosis, where a realistic assessment of uncertainty is essential in determining disease status and planning the appropriate treatment. The most common application of quantile regression models is in cases where the parametric likelihood cannot be specified. Although quantile regression is quite robust to outlier response observations, it can be sensitive to outlier covariate observations (features). Outlier features can compromise the performance of deep learning regression problems such as style translation, image reconstruction, and deep anomaly detection, potentially leading to misleading conclusions. To address this problem, we propose a robust solution for quantile regression that incorporates concepts from robust divergence. We compare the performance of our proposed method with (i) least trimmed quantile regression and (ii) robust regression based on the regularization of case-specific parameters in a simple real dataset in the presence of outlier. These methods have not been applied in a deep learning framework. We also demonstrate the applicability of the proposed method by applying it to a medical imaging translation task using diffusion models.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.23658v1cs.CV공통 태그 Image Reconstruction, Anomaly Detection

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.

arXiv:2607.14534v1cs.CV공통 태그 Image Reconstruction, Anomaly Detection

SwinAD: 비지도 산업 이상 탐지를 위한 다단계 특징 재구성

SwinAD: Multi-stage feature reconstruction for unsupervised industrial anomaly detection

산업 이상 탐지는 가능한 모든 결함 유형에 대한 포괄적인 주석에 의존하지 않고 결함 영역을 식별하고 위치를 특정하는 것을 목표로 한다. 최근 비지도 방법들이 우수한 성능을 달성했지만, 대부분은 주로 단일 클래스 설정을 위해 설계되었으며, 다양한 정상 패턴이 과도한 일반화를 초래하고 정상 영역과 이상 영역 간의 변별력을 감소시킬 수 있는 다중 클래스 시나리오에서는 종종 어려움을 겪는다. 본 논문에서는 동결된 사전학습 Swin Transformer V2 인코더와 특징 다양성 보존 재구성 디코더를 활용하는 다중 클래스 비지도 이상 탐지를 위한 재구성 기반 프레임워크인 SwinAD를 제안한다. 계층적 인코더는 의미적으로 풍부한 다중 스케일 특징을 제공하며, 드롭아웃이 포함된 단계별 병목 모듈은 사소한 항등 매핑을 방지하고 정상 패턴의 견고한 재구성을 장려한다. 위치 특정을 더욱 개선하기 위해, 단일 디코딩 분기에 의존하는 대신 상보적인 재구성 가설을 유지하는 특징 다양성 보존 재구성 프레임워크를 도입한다. 그런 다음 인코더 특징과 두 개의 재구성된 특징 간의 불일치를 여러 스케일에 걸쳐 집계하여 최종 이상 맵을 생성한다. MVTec AD, VisA, Real-IAD를 포함한 세 가지 산업 이상 탐지 벤치마크에서 수행된 실험은 SwinAD가 경쟁력 있는 이미지 수준 성능과 강한 픽셀 수준 위치 특정 정확도를 달성하며, 특히 MVTec AD에서 픽셀 수준 AP와 F1에서 눈에 띄게 향상되었음을 보여준다. 이러한 결과는 계층적 Swin 특징과 다양한 다중 스케일 재구성을 결합하는 것이 다중 클래스 비지도 이상 설정에서 픽셀 수준 위치 특정을 상당히 향상시킴을 나타낸다.

arXiv:2607.21776v2cs.LG공통 태그 Anomaly Detection

PulseGuard: 토킹페이스 딥페이크 탐지를 위한 포렌식 모달리티로서의 rPPG 기반 시간 신호

PulseGuard: rPPG-Derived Temporal Signals as a Forensic Modality for Talking-Face Deepfake Detection

토킹페이스(TF) 딥페이크 생성은 정지된 원본 이미지와 음성 신호로부터 사실적인 얼굴 영상을 합성하며, 현재의 이미지 기반 탐지기가 일관되게 식별하지 못하는 위조물을 만들어 낸다. 얼굴 교체 조작과 달리 TF 합성에는 생리적 특성을 물려받을 기반 실제 영상이 없으므로, 이 위조 범주의 탐지 모달리티로 원격 광혈류측정(rPPG)이 동기화된다. 우리는 RhythmFormer로 윈도우별 rPPG 파형을 추출하고 경량 분류기 모음을 학습시켜 실제 신호와 합성 신호를 구분하는 탐지 프레임워크 PulseGuard를 제안한다. 테스트 신원이 학습 신원과 완전히 분리된 엄격한 피험자 독립 프로토콜로 Celeb-DF++의 TF 부분집합에서 평가한 결과, 우리의 1D ResNet은 추출된 시간 신호만으로 동작하면서 EER 25.1%에서 윈도우 수준 AUC 0.826(DeepFakesON-Phys가 평가되는 단위인 영상 수준으로 풀링 시 0.842)을 달성하며, 학습에서 완전히 제외된 생성기에 대해서도 AUC 0.754를 유지한다. 우리는 대표적인 기존 rPPG 탐지기인 DeepFakesON-Phys의 통제된 재현 연구를 제시하여, 기존 얼굴 교체 데이터에서의 AUC 0.999가 Celeb-DF++의 TF 부분집합에서는 0.576으로 저하됨을 보인다. 또한 탐지 난이도가 방법에 크게 의존함을 보이는데, 일곱 개의 TF 생성기에 걸쳐 AUC는 0.937(Real3DPortrait)에서 0.617(IP-LAP)까지 분포하며, 이 순서는 방법별 학습에서도 대체로 유지된다. 이 편차는 평가 잡음이 아니라 학습 방식 전반에 걸쳐 안정적이며, 본 연구의 주된 실증적 기여이다. 우리는 이를 실증적 기준선으로 보고하며, 판별 근거가 심장 기원임을 입증하지는 않는다.

arXiv:2609.24937v3cs.CV공통 태그 Image Reconstruction

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.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.