maximum a posteriori estimation
PulseAugur coverage of maximum a posteriori estimation — every cluster mentioning maximum a posteriori estimation across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的 RE-PINN 方法增强了物理信息神经网络中的不确定性估计
研究人员开发了一种名为“用于物理信息神经网络的贝叶斯推断的排斥集成”（RE-PINN）的新方法，以改进物理信息神经网络（PINNs）中的不确定性量化。该方法向损失函数添加了一个排斥项，鼓励集成预测更好地表示真实的贝叶斯后验。与倾向于收敛到单一最大后验解的标准集成不同，RE-PINN 生成了更多样化和准确的不确定性估计，并被证明对低维问题有效。
-
新AI方法加速冷冻电镜分析，绕过密度重建
研究人员开发了新的计算方法来改进冷冻电子显微镜（cryo-EM）数据的分析。一种方法Fold'EM将蛋白质结构预测模型直接与冷冻电镜粒子图像相结合，以推断原子模型，绕过了中间密度重建，并可能能够用更少的图像确定结构。另一种方法将冷冻电镜重建视为一个随机逆问题，使用统计距离来恢复结构状态的连续分布，并分析与传统最大后验估计的联系。
-
Prior-SG 框架利用 LLM 在复杂环境中生成 3D 场景图
研究人员开发了 Prior-SG，一个用于生成分层 3D 场景图的新型框架，能够处理任意结构化环境，这与以往依赖局部视觉聚类或严格几何启发式方法不同。Prior-SG 采用任务和先验驱动的方法，将 RGB-D 传感器流集成到物理基础的实例图中。然后，该图利用最大后验估计进行语义解释，并由大型语言模型合成的先验图指导，该模型提供了关于环境结构和任务相关词汇的预期。该系统优化了马尔可夫随机场，将视觉、几何和对象数据与这些拓扑先验融合，解决…
-
新的扩散重建方法提高了数字乳腺断层合成的准确性
研究人员开发了一种新颖的方法，通过强制精确数据一致性和校准不确定性来重建有限角度数字乳腺断层合成（DBT）中的图像。该方法用精确的欧几里得投影取代了标准的扩散采样器步骤，显著加快了过程并使数据残差达到双精度下限。该方法在不牺牲深度分辨率的情况下提高了图像保真度，并将集合散布校准到可靠的误差尺度，优于纯先验方法。这是有限角度DBT首次实现数据一致、不确定性校准的学习重建。
-
新AI框架利用深度MAP估计融合图像质量分数
研究人员开发了一种新颖的无监督图像质量评估（IQA）分数融合框架，利用深度最大后验（MAP）估计。该方法旨在结合多个IQA模型的优势，以产生更准确的整体评估，解决单一模型的个体偏差。所提出的方法包括细粒度的不确定性估计以提高预测精度，并已证明其性能优于现有的IQA模型和融合技术，甚至能够丢弃表现不佳的模型。