用于随机视频预测的分层变分神经不确定性模型
计算机视觉与模式识别
2021-10-08 v1 人工智能
机器学习
摘要
预测视频的未来帧是一项具有挑战性的任务，部分原因在于潜在的随机真实世界现象。解决该任务的先前方法通常估计表征此随机性的潜先验，但未考虑（深度学习）模型的预测不确定性。此类方法常从生成帧与真值之间的均方误差（MSE）导出训练信号，这可能导致次优训练，尤其在预测不确定性高时。为此，我们引入神经不确定性量化器（NUQ）——对模型预测不确定性的随机量化，并用其加权MSE损失。我们提出一个分层变分框架，利用深度贝叶斯图模型以原则性方式推导NUQ。我们在四个基准随机视频预测数据集上的实验表明，与最先进模型相比，我们提出的框架训练更有效（尤其在训练集较小时），同时在多个评估指标上展现出更好的视频生成质量与多样性。
引用
@article{arxiv.2110.03446,
title = {A Hierarchical Variational Neural Uncertainty Model for Stochastic Video Prediction},
author = {Moitreya Chatterjee and Narendra Ahuja and Anoop Cherian},
journal= {arXiv preprint arXiv:2110.03446},
year = {2021}
}
备注
Accepted at ICCV 2021 (Oral)