基于组合可解释性的内在概念提取
计算机视觉与模式识别
2026-04-13 v2
摘要
无监督概念提取旨在从单张图像中提取概念，但现有方法受限于无法提取可组合的内在概念。为此，本文引入一种新任务：组合且可解释的内在概念提取 (CI-ICE)。CI-ICE 任务旨在利用基于扩散的文本到图像模型，从单张图像中提取可组合的对象级和属性级概念，使得原始概念可通过这些概念的组合来重建。为实现此目标，我们提出了一种名为 HyperExpress 的方法，通过两个核心方面来实现 CI-ICE 任务。具体而言，首先，我们提出一种概念学习方法，利用双曲空间固有的层次建模能力，以实现精确的概念解耦，同时保持概念之间的层次结构和关系依赖；其次，我们引入概念级优化方法，将概念嵌入空间映射以保持复杂的概念间关系，同时确保概念的可组合性。我们的方法在从单张图像中提取组合可解释的内在概念方面表现出色。
引用
@article{arxiv.2603.11795,
title = {Intrinsic Concept Extraction Based on Compositional Interpretability},
author = {Hanyu Shi and Hong Tao and Guoheng Huang and Jianbin Jiang and Xuhang Chen and Chi-Man Pun and Shanhu Wang and Pan Pan},
journal= {arXiv preprint arXiv:2603.11795},
year = {2026}
}
备注
Accepted by CVPR 2026