技术摘要：QUTCC——面向成像逆问题的分位数不确定性训练与共形校准

问题陈述

深度学习通过从稀疏、噪声干扰及欠定测量中提取有意义的信号（例如荧光显微镜、加速磁共振成像和黑洞重建），彻底改变了科学与医学成像领域。然而，这些模型经常产生“幻觉”——即看似具有说服力且高分辨率，但与现实不符的预测。识别这些失效情况十分困难，给下游科学与临床应用带来了重大风险。

虽然共形预测等不确定性估计技术能够通过生成具有有限样本覆盖率保证的统计有效误差条来提供解决方案，但现有方法并不适用于高维图像值问题。当前方法（例如 Im2Im、K-RCPS）通常依赖于在整个图像上统一应用的线性、常数或分组缩放因子。这些方法未能考虑空间相关性和局部图像内容，导致产生的不确定性区间为了满足覆盖率要求而变得过大。

方法论

作者提出了QUTCC（分位数不确定性训练与共形校准），这是一个旨在为成像逆问题生成更紧密、空间自适应不确定性区间的框架。该方法包含三个核心组件：

1. 基于分位数嵌入的同时分位数回归

QUTCC 不使用针对特定分位数单独训练的模型，也不仅预测均值，而是采用单个神经网络（Attention U-Net），该网络以分位数参数 $q \in (0, 1)$ 为条件。

• 架构：网络 $f_\theta(y, q)$ 接收测量值 $y$ 和分位数嵌入 $q$ 作为输入。分位数被嵌入为连续标量（类似于扩散模型中的时间嵌入），并通过自注意力层传播。
• 训练：模型使用分位数损失（非对称损失）进行训练，其中分位数参数 $q$ 在每一步从均匀分布 $U(0, 1)$ 中随机采样。这使得网络能够学习完整的条件分位数分布 $f_\theta(y, q)$，而非固定的点估计。
• 输出：通过查询 $q=0.5$ 获得中位数图像。

2. 空间自适应共形校准

与先前校准全局标量 $\lambda$ 或一组 $K$ 个分组标量的方法不同，QUTCC 校准神经网络的输入分位数参数（$q_{lo}, q_{hi}$）。

• 过程：利用保留的校准数据集，该方法执行二分搜索，以找到满足目标未覆盖率 $\alpha$（每侧尾部各分配 $\alpha/2$）的最优下界（$\hat{q}_{lo}$）和上界（$\hat{q}_{hi}$）分位数。
• 机制：由于网络是非线性的且以 $q$ 为条件，调整输入分位数会导致预测区间产生连续、非线性且空间自适应的缩放。有效缩放因子根据局部图像特征在每个像素上变化，这与 Im2Im 的均匀缩放或 K-RCPS 的固定分区缩放不同。
• 保证：该过程确保了像素边缘覆盖率保证（真实值以 $1-\alpha$ 的概率落在区间内），而无需假设特定的底层分布。

3. 条件概率密度估计

QUTCC 的一项独特能力是能够在无需分布假设（例如高斯分布）的情况下，估计每个像素的完整条件概率密度函数（PDF），$p(x|y)$。

• 重建：通过在多个分位数水平 $\{q_j\}$ 上查询网络，作者重建了分位数函数。
• PDF 估计：条件 PDF 通过分位数函数导数的逆进行估计：$\hat{p}(x|y) \approx (\frac{\partial \hat{f}}{\partial q})^{-1}$。这是利用相邻分位数预测之间的有限差分计算得出的。
• 校准：通过校准多组分位数对，PDF 可以进行“共形化”，以确保重建的分布保持统计覆盖率保证。

主要贡献

1. 面向成像的同时分位数回归：提出了一种实用方法，利用带有分位数条件的 U-Net 来学习高维成像逆问题的完整条件分位数分布。
2. 空间自适应校准：一种新颖的校准策略，利用学习到的非线性函数实现像素级自适应缩放，与全局或分组缩放方法相比，产生了显著更紧密的不确定性区间。
3. 无分布条件 PDF：一种无需高斯假设即可估计和校准像素级条件概率密度函数的方法，允许可视化复杂且未知的不确定性结构。
4. 全面评估：在五个成像逆问题（合成高斯/泊松去噪、真实噪声去噪、加速磁共振成像和定量相位成像）上进行了验证，证明了其在区间紧密度方面的最先进性能。

结果

作者在五个任务上将 QUTCC 与后验采样基线（MC-Dropout、Deep Ensembles）和共形基线（Im2Im、Im2Im-Asymm、K-RCPS）进行了评估。

• 区间紧密度：QUTCC 在所有共形方法中始终产生最小的平均不确定性区间长度。在高强度区域（信号丰富区域），QUTCC 的区间明显比基线更紧密，同时在低强度背景区域保持相当的性能。
• 计算效率：虽然后验采样方法（MC-Dropout、Deep Ensembles）提供了具有竞争力的区间长度，但它们产生了巨大的计算成本（例如，MC-Dropout 的推理速度慢 28–47 倍，Deep Ensembles 的训练时间长 10 倍）。QUTCC 仅使用单个模型和两次前向传播（用于边界）或几次前向传播（用于 PDF），即可实现相似或更好的紧密度。
• 幻觉检测：在磁共振成像和显微镜数据上的可视化显示，QUTCC 预测的高不确定性区域与重建误差和模型幻觉（预测中存在但真实值中缺失的特征）高度相关。与 Im2Im 相比，QUTCC 提供了更局部化的不确定性图。
• PDF 准确性：估计的条件 PDF 正确反映了噪声特征（例如泊松噪声中的偏度、高斯噪声中的对称性），并随着噪声水平的增加而适当变宽。

意义与主张

该论文声称，QUTCC 通过提供更紧密、空间自适应的不确定性区间而不牺牲统计有效性，解决了科学成像中可信人工智能的关键空白。

• 实用性：该方法快速且实用，仅需一个训练好的模型和最少的前向传播次数，使其适用于计算资源有限的现实世界部署。
• 可信度：通过识别与幻觉重合的高不确定性区域，该方法有助于科学家和医生认识到模型的预测何时可能出错。
• 灵活性：生成无分布条件 PDF 的能力为探测成像逆问题的底层不确定性提供了新工具，超越了简单的误差条，能够可视化所有合理解的完整谱系。

作者承认了局限性，指出 QUTCC 需要成对的训练/校准数据，且目前仅提供像素边缘覆盖率（而非联合空间保证）。他们还指出，该方法在处理罕见事件或分布外数据时可能会遇到困难，即模型预测低不确定性但实际误差很高。然而，他们认为像 QUTCC 这样的不确定性量化进展是降低在关键科学和医学领域部署深度学习风险的重要步骤。