DAM：用于 3D 全局解释的扩散激活最大化
计算机视觉与模式识别
2024-01-29 v1
摘要
近年来，点云模型的性能得到了快速提升。然而，由于相关可解释性研究数量有限，这些黑箱模型的不可靠性和不透明性可能在涉及人类生命安全的应用中（例如自动驾驶或医疗保健）导致潜在风险。本工作提出了一种基于 DDPM 的点云全局可解释性方法（DAM），该方法利用点扩散 Transformer（PDT）——一种新颖的逐点对称模型，并采用双分类器引导来生成高质量的全局解释。此外，还为 DAM 提出了一种自适应的路径梯度积分方法，该方法不仅提供了点云类别显著图的全局概览，还揭示了在生成过程中解释的归因如何变化。大量实验表明，我们的方法在可感知性、代表性和多样性方面优于现有方法，同时显著减少了生成时间。我们的代码可在以下链接获取：https://github.com/Explain3D/DAM
引用
@article{arxiv.2401.14938,
title = {DAM: Diffusion Activation Maximization for 3D Global Explanations},
author = {Hanxiao Tan},
journal= {arXiv preprint arXiv:2401.14938},
year = {2024}
}