归因上采样应当重新分配，而非插值
计算机视觉与模式识别
2026-03-18 v1 机器学习
摘要
可解释人工智能中的归因方法依赖的上采样技术原本为自然图像设计，不适用于显著性图。标准的双线性和三次样条插值通过产生 aliasing、环形和边界渗漏，系统性地破坏归因信号，产生虚构的高重要性区域，误表述模型的推理过程。我们指出，核心问题在于将归因上采样视为独立于模型推理的插值问题，而应视为模型派生语义边界必须主导重要性如何流动的质量重新分配问题。我们提出了通用语义感知上采样（USU）方法，通过比例形式质量重新分配算子重新构建上采样过程，严格保留归因质量和相对重要性排序。拓展特征归因的公理化传统，我们为忠实上采样 formalize 了四项 desiderata，并证明插值在结构上违反了其中三项。这三项强制任何重新分配算子采用比例形式；第四项在该系列中选出唯一的候选方案，形成 USU。在已知归因先验的模型上进行受控实验验证了 USU 的形式保证；在 ImageNet、CIFAR-10 和 CUB-200 上的评估确认其在忠实性上的持续改进，并呈现出语义连贯的解释。
引用
@article{arxiv.2603.16067,
title = {Attribution Upsampling should Redistribute, Not Interpolate},
author = {Vincenzo Buono and Peyman Sheikholharam Mashhadi and Mahmoud Rahat and Prayag Tiwari and Stefan Byttner},
journal= {arXiv preprint arXiv:2603.16067},
year = {2026}
}