PCIM：通过像素级通道隔离混合学习像素归因于高内容成像
计算机视觉与模式识别
2026-01-14 v1
摘要
深度神经网络（DNN）在 various computer vision 任务中显示出显著的成功，但其黑箱性质往往导致难以解释其决策，形成一种未被充分填补的需求以解释决策，从而成为其在生物医学应用中广泛接受的障碍。本工作引入一种新方法，像素级通道隔离混合（PCIM），用于计算像素归因图，突出显示最关键于分类决策的图像部分，而无需提取内部网络状态或梯度。与现有方法不同，PCIM 将每个像素视为独立的输入通道，并训练一种混合层来混合这些像素，以反映特定分类。这种独特方法允许为每个图像生成像素归因图，但不依赖于所选的底层分类网络。在三个与应用相关、多样化的高内容成像数据集上的基准测试显示，PCIM 在模型保真度和局部分辨能力方面实现了最先进的性能，尤其在荧光和亮场高内容成像中。PCIM 作为一种独特且有效的方法，可从任意 DNN 中创建像素级别的归因图，实现可解释性和信任。
引用
@article{arxiv.2412.02275,
title = {PCIM: Learning Pixel Attributions via Pixel-wise Channel Isolation Mixing in High Content Imaging},
author = {Daniel Siegismund and Mario Wieser and Stephan Heyse and Stephan Steigele},
journal= {arXiv preprint arXiv:2412.02275},
year = {2026}
}