Tag · 15 篇
不确定性量化
不确定性驱动的各向异性可见性场三维高斯泼溅主动建图
Uncertainty-driven 3D Gaussian Splatting Active Mapping via Anisotropic Visibility Field
把每个高斯的各向异性可见性场用球谐表示并接入贝叶斯不确定性光栅化器，可在 200 FPS 下为合成视角实时输出不确定性，这一模块可直接复用于任何 3DGS 场景的新视角可靠性评估与主动建图的下一最佳视角选择。
面向计算机视觉的知识增强贝叶斯深度学习
Towards Knowledge-augmented Bayesian Deep Learning For Computer Vision
提供了一种将领域知识作为信息先验和自适应似然注入贝叶斯深度学习的两阶段框架，可提升视觉模型在分布偏移下的鲁棒性和不确定性估计质量。
基于无标签非一致性得分的半监督保形预测
Semi-Supervised Conformal Prediction With Unlabeled Nonconformity Score
为视觉模型提供一种在标注数据稀缺时仍能保证覆盖率的校准方法，可直接用于分类、分割等任务的不确定性量化，提升预测集在不同运行间的稳定性。
Query2Uncertainty：分布偏移下3D目标检测的鲁棒不确定性量化与校准
Query2Uncertainty: Robust Uncertainty Quantification and Calibration for 3D Object Detection under Distribution Shift
对做3D检测部署的人，这篇给出一个可复用的后处理校准思路：直接拿DETR式检测器的潜变量object query特征拟合密度估计器，用密度值在分布偏移下同时重校准分类置信度与边界框回归不确定性，无需重训练检测器。
感知证明：具备组合共形保证的可认证工具使用多模态推理
Proof-of-Perception: Certified Tool-Using Multimodal Reasoning with Compositional Conformal Guarantees
把每个感知/逻辑节点包成共形预测集，为多模态推理链提供逐步校准的不确定性，可用来决定何时追加工具调用、何时提前停止，从而抑制视觉问答中的误差累积与幻觉。
LATA：面向医学视觉语言模型保形不确定性的拉普拉斯辅助传导式自适应
LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs
把保形预测的预测集效率与类别条件覆盖率差距作为可靠性指标，用图像 kNN 图上的 CCCP 均值场传导式平滑在无标签、无训练条件下收紧零样本 VLM 的预测集，可直接迁移到任何需要带覆盖保证的不确定性输出的视觉识别流程。
HierUQ：面向退化图像分类的自适应粒度协调分层不确定性量化
HierUQ: Hierarchical Uncertainty Quantification with Adaptive Granularity Reconciliation for Degraded Image Classification
针对低质量/退化图像，用基于标签平滑与 proper scoring rule 的分层不确定性量化，配合置信度不足时回退到高层节点的路径调整机制，可作为视觉模型在分布偏移下做可靠预测与拒识的通用手段。
面向随机三维人体运动预测的高斯混合潜变量流
Gaussian-Mixture Latent Flow for Stochastic 3D Human Motion Prediction
用可逆归一化流 + 数据驱动高斯混合先验建模人体运动的随机性，并通过可处理的似然计算给出不确定性估计；做运动预测/生成、需要多样且物理合理结果的工作可直接复用这一潜变量流框架与混合先验设计。
GP-4DGS：基于变分高斯过程的单目视频概率 4D 高斯泼溅
GP-4DGS: Probabilistic 4D Gaussian Splatting from Monocular Video via Variational Gaussian Processes
把变分高斯过程与诱导点引入 4D 高斯泼溅的形变场建模，为单目动态重建提供可训练的不确定性输出与时序外推能力；做动态场景重建或需要判断运动歧义区域的工作可直接复用其时空核与变分推断方案。
FluidGaussian：传播基于仿真的不确定性以实现功能智能的三维重建
FluidGaussian: Propagating Simulation-Based Uncertainty Toward Functionally-Intelligent 3D Reconstruction
将流体仿真诱导的不确定性作为主动学习的采样信号，指导多视角采集以提升几何与物理保真度，为物理感知的三维重建提供了可插拔的通用框架。
证据神经辐射场
Evidential Neural Radiance Fields
把证据深度学习（evidential deep learning）接进 NeRF 的渲染管线，用单次前向传播同时给出偶然不确定性与认知不确定性，可直接复用到任何需要逐像素置信度的三维重建/新视角合成流程中，用于安全关键场景的失效检测与主动视角选择。
证据深度部分标签学习：量化消歧不确定性
Evidential Deep Partial Label Learning to Quantify Disambiguation Uncertainty
把证据建模（Dirichlet 分布上的 belief/credibility）引入弱监督标签消歧，为视觉分类任务提供可复用的不确定性量化头，可直接替换 softmax 输出用于噪声标注下的可靠性预测。
CGU-Bayes：因果图不确定性引导的贝叶斯推断用于域泛化
CGU-Bayes: Causal Graph Uncertainty-Guided Bayesian Inference for Domain Generalization
将因果图的后验不确定性作为贝叶斯推断的权重因子，为视觉域泛化提供了一种可量化因果结构可靠性的通用手段，可迁移到任何依赖因果图进行特征选择的视觉任务中。
优于平均：分割不确定性的空间感知聚合提升下游任务性能
Better than Average: Spatially-Aware Aggregation of Segmentation Uncertainty Improves Downstream Performance
对做分割不确定性量化的视觉研究者，本文系统比较了像素级不确定性到图像级分数的聚合策略，并给出利用空间结构的聚合器与元聚合器，可直接用于 OoD 检测与分割失败检测的下游流程。
面向非线性不确定系统因果发现的多项式混沌框架
A Polynomial Chaos Framework for Causal Discovery in Nonlinear Uncertain Systems
该框架将多项式混沌展开（PCE）嵌入结构方程以建模任意噪声分布，为视觉任务中非线性非高斯噪声下的因果发现提供了可识别性保证和不确定性量化手段，可迁移至视觉可解释性分析或鲁棒特征选择。