確定性回歸

速報

Temporal Retinal U-Net：當確定性回歸勝過複雜隨機模型時

背景：從序列醫學影像預測疾病進展有助臨床決策。方法：提出以任務熵與後驗集中度衡量生成複雜度，並強調訓練與推論輸入對齊。實驗：在FAF資料比較五種條件，對齊顯著提升SSIM；當採集變異主導時，確定性回歸表現相當。在多廠牌多模態資料上評估，確定性模型匹配或超越三項基準。