利用非配对图像翻译缓解液氩时间投影室探测器响应中的域偏移

深度学习算法常在不同于训练集的数据集上部署。训练与测试数据集间的任何系统性差异都可能降低算法性能——即所谓的域偏移问题。该问题在许多科学领域中十分普遍，其中算法在模拟数据上训练却应用于真实世界数据集。通常，域偏移问题通过各类域适应方法解决。然而，这些方法往往针对特定下游任务定制，可能不易推广至不同任务。本工作探索使用一种不依赖于任何下游算法的替代方案来解决域偏移问题的可行性。所提方法依赖现代非配对图像到图像(UI2I)翻译技术，其旨在以完全无监督方式寻找不同图像域间的翻译。在本研究中，该方法应用于液氩时间投影室(LArTPC)探测器研究中常见的域偏移问题，即寻求在两分布不同的探测器数据集间确定性地翻译样本。该翻译可将真实世界数据映射至模拟数据域，使下游算法在该域中运行时的域偏移相关退化大幅减少。反之，利用从模拟数据到真实世界域的翻译可增强模拟数据集的真实感并减小任何系统性不确定度的量级。我们调整了若干UI2I翻译算法以处理科学数据，并证明了这些技术解决LArTPC探测器数据域偏移问题的可行性。为促进科学数据集域适应技术的进一步发展，本研究所用的“简易液氩径迹样本”数据集亦已发布。