基于不确定性感知循环一致性的鲁棒性
计算机视觉与模式识别
2021-10-26 v1 机器学习
图像与视频处理
机器学习
摘要
非配对图像到图像翻译指的是在没有对应图像对的情况下学习图像域间映射。现有方法学习确定性映射，未显式建模对离群点的鲁棒性或预测不确定性，导致在测试时遇到未见扰动时性能下降。为此，我们提出一种基于不确定性感知广义自适应循环一致性（UGAC）的新概率方法，其通过广义高斯分布对逐像素残差建模，能够建模重尾分布。我们在多项挑战性任务上将我们的模型与多种最先进方法比较，包括自然图像的非配对图像翻译，使用标准数据集，涵盖自动驾驶、地图、建筑立面，以及由MRI组成的医学成像领域。实验结果表明，我们的方法对测试数据中未见扰动表现出更强的鲁棒性。代码发布于：https://github.com/ExplainableML/UncertaintyAwareCycleConsistency。
引用
@article{arxiv.2110.12467,
title = {Robustness via Uncertainty-aware Cycle Consistency},
author = {Uddeshya Upadhyay and Yanbei Chen and Zeynep Akata},
journal= {arXiv preprint arXiv:2110.12467},
year = {2021}
}
备注
Accepted at NeurIPS 2021. Code is at https://github.com/ExplainableML/UncertaintyAwareCycleConsistency. arXiv admin note: substantial text overlap with arXiv:2102.11747