语义属性的无监督发现、控制与解耦及其在异常检测中的应用
计算机视觉与模式识别
2021-06-08 v4
摘要
我们的工作聚焦于解决以下目标的无监督与生成式方法：(a) 学习能够发现控制图像语义属性的潜在因子的无监督生成式表示，(b) 研究这种属性控制能力如何与潜在因子解耦问题形式化相关，厘清过去被混淆但不同的相关概念，以及 (c) 开发利用 (a) 中学得的表示进行异常检测的方法。对于 (a)，我们提出了一种结合多尺度生成模型与互信息（MI）最大化的网络架构。对于 (b)，我们推导了一个解析结果（引理 1），厘清了两个相关但不同的概念：生成网络控制其所生成图像语义属性的能力（源于 MI 最大化）与解耦潜在空间表示的能力（通过总相关最小化获得）。更具体地，我们证明最大化语义属性控制会促进潜在因子的解耦。利用引理 1 并在损失函数中采用 MI，我们随后通过实验表明，在图像生成任务中，与其他最先进（state of the art）方法相比，所提方法在质量与解耦权衡空间中表现出更优性能，质量通过 Frechet Inception Distance (FID) 评估，解耦通过互信息间隙评估。对于 (c)，我们设计了若干利用 (a) 中学得表示的异常检测系统，并证明其相较于最先进的生成式与判别式算法具有性能优势。上述表示学习的贡献在解决计算机视觉中其他重要问题（如 AI 中的偏见与隐私）方面具有潜在应用。
引用
@article{arxiv.2002.11169,
title = {Unsupervised Discovery, Control, and Disentanglement of Semantic Attributes with Applications to Anomaly Detection},
author = {William Paul and I-Jeng Wang and Fady Alajaji and Philippe Burlina},
journal= {arXiv preprint arXiv:2002.11169},
year = {2021}
}
备注
MIT Neural Computation 2021, Vol 33(3), pp. 802--826