基于循环一致生成对抗网络的逆事实解释与实例生成
计算机视觉与模式识别
2023-01-24 v1
摘要
基于图像的诊断如今是现代自动化辅助诊断的重要方面。为使模型产生像素级诊断，本质上需要像素级真值标签。然而，由于在诸如医学图像等许多应用领域中通常不易获得标签，基于分类的方法已成为执行诊断的事实标准。尽管它们能识别类显著区域，但在要求捕获所有证据的诊断中未必有用。相反，逆事实解释（CX）旨在使用“若 X 未发生，Y 便不会发生”形式的因果推理过程提供解释。然而，现有 CX 方法利用分类器来解释可改变其预测的特征。因此，它们只能解释类显著特征，而非整个感兴趣对象。这促使我们提出一种不依赖于图像分类的新型 CX 策略。本工作受近期基于生成对抗网络（GANs）的图像到图像域翻译进展启发，利用它将异常图像翻译为对应的正常图像（即逆事实实例 CI），以找出两者间的差异图。由于通常无法获得异常与正常图像对，我们借助循环一致性原理（即 CycleGAN）以无监督方式执行翻译。我们将 CX 表述为一个差异图：当从异常图像加上该差异图时，会使其与 CI 无法区分。我们在三个数据集上评估了我们的方法，包括一个合成数据集、结核病数据集和 BraTS 数据集。所有这些实验都证实了所提方法在生成准确 CX 与 CI 方面的优越性。
引用
@article{arxiv.2301.08939,
title = {Counterfactual Explanation and Instance-Generation using Cycle-Consistent Generative Adversarial Networks},
author = {Tehseen Zia and Zeeshan Nisar and Shakeeb Murtaza},
journal= {arXiv preprint arXiv:2301.08939},
year = {2023}
}