CHEM：深度学习图像处理中幻觉的估计与理解
计算机视觉与模式识别
2026-05-21 v2 人工智能
摘要
基于深度学习的方法最近在图像重建问题上取得了显著成功。然而，挑战也随之出现，因为这些方法可能生成不真实的伪影或幻觉，从而在安全关键场景中干扰分析。本文提出了一种量化与表征图像重建模型中幻觉伪影的框架。所提出的方法称为共形幻觉估计度量（CHEM），能够识别模型预测中易产生幻觉的区域。它利用小波和剪切波表示在图像特征层面定位此类区域，并使用共形化分位数回归以无分布的方式评估幻觉水平。我们提供了理论分析，刻画了CHEM对幻觉伪影的敏感性及其与均方误差的关系。基于这些洞察并采用近似理论的观点，我们研究了为什么广泛用于图像重建的U形网络倾向于产生幻觉预测。我们在CANDELS数据集上使用U-Net、SwinUNet和Learnlets等架构评估了该方法在天文图像去卷积中的有效性，并在DIV2K数据集上使用DRUNet、Unfolded DRS、RAM和DPS等模型评估了其在自然图像超分辨率中的有效性。
引用
@article{arxiv.2512.09806,
title = {CHEM: Estimating and Understanding Hallucinations in Deep Learning for Image Processing},
author = {Jianfei Li and Ines Rosellon-Inclan and Gitta Kutyniok and Jean-Luc Starck},
journal= {arXiv preprint arXiv:2512.09806},
year = {2026}
}