[論文レビュー] Uncertainty Quantification for Distribution-to-Distribution Flow Matching in Scientific Imaging

Dongxia Wu, Yuhui Zhang+3 more|arXiv (Cornell University)|Mar 23, 2026

Generative Adversarial Networks and Image Synthesis被引用数 0

ひとこと要約

要約: Distribution-to-distribution 画像生成における aleatoric と epistemic の不確実性を定量化する Bayesian Stochastic Flow Matching (BSFM) を提案。信頼性（一般化）と説明責任（OOD検出）を向上させ、科学的画像処理タスクの信頼性と説明性を確保する。

ABSTRACT

Distribution-to-distribution generative models support scientific imaging tasks ranging from modeling cellular perturbation responses to translating medical images across conditions. Trustworthy generation requires both reliability (generalization across labs, devices, and experimental conditions) and accountability (detecting out-of-distribution cases where predictions may be unreliable). Uncertainty quantification (UQ) based approaches serve as promising candidates for these tasks, yet UQ for distribution-to-distribution generative models remains underexplored. We present a unified UQ framework, Bayesian Stochastic Flow Matching (BSFM), that disentangles aleatoric and epistemic uncertainty. The Stochastic Flow Matching (SFM) component augments deterministic flows with a diffusion term to improve model generalization to unseen scenarios. For UQ, we develop a scalable Bayesian approach -- MCD-Antithetic -- that combines Monte Carlo Dropout with sample-efficient antithetic sampling to produce effective anomaly scores for out-of-distribution detection. Experiments on cellular imaging (BBBC021, JUMP) and brain fMRI (Theory of Mind) across diverse scenarios show that SFM improves reliability while MCD-Antithetic enhances accountability.

研究の動機と目的

• 科学的画像の信頼できる distribution-to-distribution ジェネレーティブモデルの動機づけとして、信頼性と説明責任を分離する。
• 不確実性を aleatoric と epistemic に分解する統一的 UQ フレームワーク（BSFM）を開発する。
• ディストリビューションシフト下での一般化を改善するために、確率的性を導入した flow matching（SFM）を拡張する。
• 効率的な OOD 検出と不確実性推定のためのスケーラブルなベイジアン手法（MCD-Antithetic）を提案する。
• 細胞画像と fMRI データセットで一般化と OOD 検出の改善を実証する。

提案手法

• marginals をスコア補正 SDE で保存する学習可能な拡散項を導入して、決定論的な flow matching を確率的 flow matching に拡張する。
• 変換とデータ変動性（ aleatoric 不確実性 ）の両方を捉えるために、結合した速度場とスコアモデルを訓練する。
• posterior over (速度, スコア) パラメータを近似するために MC-Dropout によるモデルパラメータのベイジアン処理を採用する。
• ネストドサンプリングを用いて全予測不確実性を推定し、aleatoric と epistemic の成分に分解する。
• SDE ベースのサンプリングの分散を低減するために antiphetic sampling を用い、不確実性推定のサンプル効率を向上させる。
• 集中した後方分布の下で aleatoric 不確実性を MAP 近似で提供し、計算を削減する。

実験結果

リサーチクエスチョン

• RQ1 distribution-to-distribution 画像生成で不確実性を aleatoric と epistemic に分解するにはどうすればよいか。
• RQ2 科学的画像処理タスクにおけるディストリビューションシフト下で、確率的 Flow Matching は一般化を改善できるか。
• RQ3 antiphetic sampling を用いたスケーラブルなベイジアンアプローチは効果的で効率的な OOD 検出信号を提供するか。
• RQ4 細胞画像と神経画像データにおける信頼性（一般化）と説明責任（OOD検出）はどのようにトレードオフするか。
• RQ5 BSFM が生成品質と OOD sensing の点で既存ベースラインより実務的な利点をもたらすか。

主な発見

• SFM は細胞画像と fMRI データセット全体でディストリビューションシフト下の一般化を改善する。
• MCD-Antithetic は OOD 検出に有効でサンプル効率の高い epistemic および aleatoric 不確実性推定を提供する。
• antiphetic sampling は分散を減らし、 epistemic と aleatoric の信号を切り離すことで OOD 検出の信頼性を向上させる。
• 未知の撹乱、強度シフト、未知の細胞株、低-ToM 被験者において、BSFMベースの手法は生成と OOD 指標でベースラインを上回る。
• epistemic 不確実性は大きなシフト下で支配的になる傾向があり、aleatoric 不確実性は穏やかなシフトを支配し、補完的な OOD 信号を可能にする。