稀有感知自编码：重建空间不平衡数据

自编码器在图像内容空间分布不均的情况下面临挑战。这在医学成像、生物学和物理学中常见，其中信息性模式仅在特定图像坐标处罕见发生，背景在大多数样本中占主导地位，偏向对占主导地位的外观进行重建。在实践中，自编码器对占主导地位的模式具有偏见，导致细粒度细节丢失，在空间数据不平衡的情况下尤其会导致对稀有空间输入的重建模糊。我们通过两个互补组件来解决空间不平衡问题：（i）基于自熵的损失函数对上调统计上不常见的空间位置；（ii）样本传播，这是一种在训练期间对难以重建的样本进行选择性重暴露的回放机制。我们对现有数据平衡策略进行基准测试，这些策略最初是为监督分类开发的。在无监督重建设置中，基于这些方法的局限性，我们的方法特别针对空间不平衡，通过鼓励模型关注统计上稀有的空间位置来提高重建一致性。我们在具有受控空间不平衡条件的模拟数据集上进行了验证，并在三个无控制、多样化的真实世界数据集中进行了验证，这些数据集涵盖了物理、生物和天文学领域。我们的方法在各种重建指标上均优于基线方法，特别是在空间不平衡分布下。这些结果突显了批次中数据表示的重要性，并强调了无监督图像重建中稀有样本的作用。我们将公开所有代码和相关数据。