该研究提出了一种基于3D体积的概率分割框架，结合Normalizing Flows技术和专家分歧引导的不确定性估计方法，显著提升医学图像分割的准确性和不确定性校准性能。通过整合多个标注者的变异性，增强了模型的置信度，帮助医生更好地理解分割结果的可靠性。

该文介绍了一种基于 Normalizing Flows 的无监督版本的 DNNLikelihood，称为 NFLikelihood，能够学习出现在高能物理分析中的复杂高维似然。作者使用了已有的玩具 LHC 分析例子以及两个有效场论拟合的味道和电弱观测量来展示该方法的有效性，并讨论了无监督方法相对于有监督方法的优缺点以及两者之间的可能相互作用。