用局部归因图解释超分辨率网络
计算机视觉与模式识别
2021-08-24 v2
摘要
图像超分辨率（SR）技术得益于深度网络的发明及其连续突破而快速发展。然而，众所周知，深度学习和深度神经网络难以解释。SR网络继承了这种神秘特性，且很少有工作尝试理解它们。本文中，我们对SR网络进行归因分析，旨在找出对SR结果有强烈影响的输入像素。我们提出了一种称为局部归因图（LAM）的新归因方法，它继承了积分梯度法但具有两个独特特征。一是使用模糊图像作为基线输入，二是采用渐进模糊函数作为路径函数。基于LAM，我们表明：（1）涉及输入像素范围更广的SR网络可获得更好的性能。（2）注意力网络和非局部网络从更广范围的输入像素中提取特征。（3）与实际有贡献的范围相比，感受野对大多数深度网络而言已足够大。（4）对于SR网络，具有规则条纹或网格的纹理更可能被注意到，而复杂语义难以被利用。我们的工作为设计SR网络与解释底层视觉深度模型开辟了新方向。
引用
@article{arxiv.2011.11036,
title = {Interpreting Super-Resolution Networks with Local Attribution Maps},
author = {Jinjin Gu and Chao Dong},
journal= {arXiv preprint arXiv:2011.11036},
year = {2021}
}
备注
Accepted by CVPR 2021