所见即所为：图像干预的因果效应估计

观察性研究中的因果效应估计具有挑战性，原因在于缺乏真实数据和处理分配偏差。尽管文献中存在各种方法来解决此问题，但大多数方法通过将多维处理信息视为标量（连续或离散）而忽略了其多维度信息。最近，某些研究展示了利用这种丰富而复杂的处理信息来改进因果效应估计的效用，但这些工作仅在图或文本处理上得到了验证。针对高维数据（如图像）的研究在现有文献中存在显著空白，而图像在诸多应用中具有广泛价值。在本工作中，我们提出了一种名为NICE（Network for Image treatments Causal effect Estimation）的模型，用于估计以图像为处理时的个体因果效应。NICE展示了有效利用图像处理中丰富的多维信息来获得改进的因果效应估计的方法。为评估NICE的性能，我们提出了一种新颖的半合成数据模拟框架，用于生成以图像作为处理时的潜在结果。在这些数据集上的实证结果涵盖了零样本等多种设置，结果表明NICE显著优于现有纳入处理信息的因果效应估计模型。