[論文レビュー] Equivariant Bootstrapping for Uncertainty Quantification in Imaging Inverse Problems

Julián Tachella, Marcelo Pereyra|arXiv (Cornell University)|Oct 18, 2023

Medical Imaging Techniques and Applications参考文献 25被引用数 4

ひとこと要約

本稿では、回転やシフトなどの対称性不変変換を活用して、画像の逆問題における不確実性評価（UQ）のための同変ブートストラップ法を提案する。この手法は、再構成プロセスにおける不変性の性質を活用することで、真のデータがなくても精度、信頼性、計算効率の面で最先端のベイズ的手法や拡散モデルを凌駕する、頑健な信頼領域を生成する。

ABSTRACT

Scientific imaging problems are often severely ill-posed, and hence have significant intrinsic uncertainty. Accurately quantifying the uncertainty in the solutions to such problems is therefore critical for the rigorous interpretation of experimental results as well as for reliably using the reconstructed images as scientific evidence. Unfortunately, existing imaging methods are unable to quantify the uncertainty in the reconstructed images in a manner that is robust to experiment replications. This paper presents a new uncertainty quantification methodology based on an equivariant formulation of the parametric bootstrap algorithm that leverages symmetries and invariance properties commonly encountered in imaging problems. Additionally, the proposed methodology is general and can be easily applied with any image reconstruction technique, including unsupervised training strategies that can be trained from observed data alone, thus enabling uncertainty quantification in situations where there is no ground truth data available. We demonstrate the proposed approach with a series of numerical experiments and through comparisons with alternative uncertainty quantification strategies from the state-of-the-art, such as Bayesian strategies involving score-based diffusion models and Langevin samplers. In all our experiments, the proposed method delivers remarkably accurate high-dimensional confidence regions and outperforms the competing approaches in terms of estimation accuracy, uncertainty quantification accuracy, and computing time.

研究の動機と目的

• 画像の逆問題における頑健な不確実性評価の著しい欠如、特にモデルの非同定性と限られた真のデータの下での課題に対処すること。
• 画像の逆問題に内在する対称性（例：回転、平行移動）に対して不変であるUQ手法を開発し、実験の繰り返しにおいて信頼性の高い信頼領域を生成すること。
• 真のデータが利用できない非教師あり画像再構成設定においても不確実性評価を可能にすること。
• スコアベースの拡散モデルやランジュバンサンプリングのような複雑なベイズ的手法の代替として、計算効率の高い手法を提供すること。
• 計算画像処理分野における同変ブートストラップを汎用的UQフレームワークとして理論的・実験的基盤を確立すること。

提案手法

• 本手法は、観測データにランダムな対称性変換（例：回転、シフト）を適用することで、問題の群構造を尊重する合成測定値を生成するパラメトリックブートストラップを定式化する。
• ブートストラップされたデータ上で再構成ネットワークを学習し、複数の変換済み実現の予測を集約することで信頼領域を構築する。
• 主な革新点は、選択された群作用（例：回転や平行移動）に関して、前方作用素と再構成ネットワークが共同で同変であることを保証することにあり、これにより不確実性推定が安定化する。
• 線形推定子解析を用いて、対称性制約下での信頼領域の精度を理論的に正当化する。
• 任意の画像再構成技術（真のデータのみで学習された非教師ありディープラーニングモデルを含む）とシームレスに統合可能である。
• 事後分布の近似やスコアベースモデルに依存せず、代わりに対称性に配慮したリサンプリングに基づいて不確実性を推定する。

実験結果

リサーチクエスチョン

• RQ1 モデルが非同定な場合でも、ブートストラップに基づくUQ手法が画像の逆問題において頑健かつ正確な不確実性評価を達成できるか？
• RQ2 ブートストラッププロセスにおいて対称性（同変性）を活用することで、標準的なパラメトリックブートストラップと比較して信頼領域の信頼性がどのように向上するか？
• RQ3 本手法が真のデータを一切必要としない状況で、どの程度正確な不確実性推定を提供できるか？
• RQ4 拡散モデルやランジュバンサンプリングといった最先端のベイズ的手法と比較して、同変ブートストラップの性能と効率はいかがなものか？
• RQ5 異なる群作用（例：回転 vs. シフト）が不確実性推定の品質に与える影響はどの程度か？

主な発見

• 同変ブートストラップ法は、全テスト対象の画像の逆問題において、競合するベイズ的手法や拡散モデルと比較して、はるかに正確な高次元信頼領域を一貫して生成する。
• 本手法は、推定精度と不確実性評価精度の両面で最先端の手法を上回り、特にピクセル単位の誤差分布を捉える点で優れた性能を示す。
• 回転のみを群作用として使用した場合、真の誤差のほぼ完全なカバレッジを達成するが、シフトのみのブートストラップでは、前方作用素とネットワークの対称性が一致しないため性能が劣る。
• ランジュバンサンプリングや拡散モデルと比較して、計算時間の大幅な短縮を達成しながら、その精度を維持または上回る。
• 同変ブートストラップが生成する不確実性マップは、真の絶対誤差と強く一致しており、誤差推定の忠実性が非常に高いことを示している。
• 本手法は、真のデータが利用可能でない完全な非教師あり設定においても、信頼性の高い不確実性評価を可能にする。