基于干预的自监督学习：遥光电图的因果探针范式
计算机视觉与模式识别
2026-05-05 v1
摘要
遥光电图（rPPG）实现了便利的非接触性生理测量。现有的自监督学习（SSL）方法常陷入相关陷阱：它们倾向于学习数据中最显著的周期性信号，如高能运动或光照噪声，而非微弱的真实 rPPG 信号，导致模型泛化性能差。为此，我们提出一种新范式，称为 Physiological Causal Probing（PCP），将潜在 rPPG 信号视为物理源，其在像素色度变化中的视觉表现形式。其核心思想是从被动相关学习转向主动、精确的干预：基于所提 rPPG 假设，对视频进行干预，并验证干预后变化是否符合物理预期。我们提出 Interv-rPPG 框架实现 PCP：一个名为 PhysMambaFormer 的 rPPG 提取器假设 rPPG 信号，一个可控生理信号编辑器根据该假设对视频进行精确的色度域干预。Interv-rPPG 通过 "Falsifiability via Nulling" 和 "Axiomatic Equivariance" 验证假设的物理真实性。我们的编辑器通过干预视频的低频色度成分，实现对 rPPG 信号的精确编辑。在挑战性数据集（如 VIPL-HR 和 MMPD）上，我们在域内和跨域性能均得到提升。此外，在复杂跨数据集设置下，Our 方法甚至超越了监督基线；而在干净数据集上，因干预机制可能引入轻微残余色度噪声，仍保持竞争力。广泛实验，包括对噪声敏感性的诊断性分析，表明 PCP 范式有效抵抗运动和光照噪声。
引用
@article{arxiv.2605.00882,
title = {Intervention-Based Self-Supervised Learning: A Causal Probe Paradigm for Remote Photoplethysmography},
author = {Zhiyi Niu and Xiaoguang Tu and Bo Zhao and Junzhe Cao and Dan Guo and Zitong Yu},
journal= {arXiv preprint arXiv:2605.00882},
year = {2026}
}