华科大提出基于贝叶斯深度学习的超分辨率成像，成功被Nat. Commun.收录。可以说，这是贝叶斯神经网络BNN近期最值得关注的成果之一了。另外还有AAAI 2025上的Bella新框架，计算成本降低了99.7%，也非常值得研读。
显然鉴于BNN“不确定性建模”与“概率推理”的优势，这类BNN研究随着数据可靠性需求的激增，已经逐渐成为AI领域炙手可热的研究方向，顶会顶刊占坑无数，尤其在医疗诊断、自动驾驶等高风险场景中尤为受欢迎。
不过值得注意的是，当前BNN的研究呈现三大创新趋势：跨学科融合、多模态优化、小样本突破。如果想要以此做出成果发表，还是推荐往这三个方向探索，实在没思路建议看看参考，我已经准备了11篇BNN前沿论文（有代码），有需要的自取~
扫码添加小享，回复“BNN25”
免费获取全部论文+开源代码
Bayesian deep-learning structured illumination microscopy enables reliable super-resolution imaging with uncertainty quantification
方法：论文提出了一种贝叶斯深度学习方法用于结构化照明显微成像（SIM），通过贝叶斯神经网络量化超分辨率成像中的两种不确定性：数据不确定性和模型不确定性，从而提高成像的可靠性和透明度。
创新点：
- 开发贝叶斯深度学习框架用于SIM，量化两种不确定性（AleaU和EpisU），提升重建保真度。
- 提出解耦训练方案（DeT），优化网络参数，避免不确定性学习对重建质量的影响。
- 展示BayesDL在活细胞成像中的优势，可靠揭示细胞骨架动态，预防模型误用导致的错误结果。
Unveiling the power of uncertainty: A journey into Bayesian Neural Networks for stellar dating
方法：论文提出了一种基于贝叶斯神经网络的层次贝叶斯模型，用于预测恒星的年龄。通过结合神经网络的强大拟合能力和贝叶斯方法对不确定性的量化，该模型能够同时处理观测数据中的误差和模型自身的不确定性。
创新点：
- 提出了一种基于贝叶斯神经网络的层次贝叶斯架构，用于恒星年龄预测。
- 该架构能够同时处理观测数据中的不确定性和模型预测中的不确定性。
- 在测试数据集上实现了小于10亿年的平均绝对误差，提供更准确和可靠的恒星年龄估计。
扫码添加小享，回复“BNN25”
免费获取全部论文+开源代码
Estimation of Bridge Girder Cumulative Displacement for Component Operational Warning Using Bayesian Neural Networks
方法：论文提出了一种基于贝叶斯神经网络的两阶段框架，用于预测桥梁主梁端部累积位移并检测异常。首先，利用BNN预测主梁端部累积位移，考虑预测过程中的不确定性；其次，通过基于马氏距离的异常检测算法，结合实测和预测数据发出异常警告。
创新点：
- 提出了一种基于贝叶斯神经网络的两阶段框架，用于预测桥梁主梁端部累积位移并检测异常。
- BNN能够考虑预测过程中的不确定性，提供更准确的位移预测结果。
- 结合马氏距离的异常检测算法，能够基于实测和预测数据发出异常警告，有效识别关键部件异常。
A recursive Bayesian neural network for constitutive modeling of sands under monotonic loading
方法：论文提出了一种递归贝叶斯神经网络（rBNN）框架，用于模拟砂土在单调加载下的本构行为。该框架通过滑动窗口方法和广义贝叶斯推断量化预测不确定性，将模型参数视为随机变量，利用变分推断推断其后验分布。
创新点：
- 提出了一种递归贝叶斯神经网络（rBNN）框架，用于模拟砂土在单调加载下的本构行为。
- 引入滑动窗口方法，有效捕捉加载步骤中的时间依赖性，提升模型预测精度。
- 利用广义贝叶斯推断量化预测不确定性，为砂土本构模型提供置信区间，增强预测可靠性。
扫码添加小享，
回复“BNN25”
免费获取全部论文+开源代码
