何处与何物？审视可解释的解耦表示
计算机视觉与模式识别
2021-04-13 v1
摘要
捕捉可解释的变化长期以来都是解耦学习的目标之一。然而，与独立性假设不同，可解释性很少在无监督设定下被用于促进解耦。在本文中，我们通过考察两个问题来审视解耦表示的可解释性：在何处被解释，以及被解释为何物？若某一潜码能持续影响生成图像中某一特定子区域，则其易于被解释。因此我们提出学习一个空间掩码以定位各独立潜维的作用。另一方面，可解释性通常来自捕捉数据中简单基本变化的潜维。我们因而对潜码某一维施加扰动，并期望从生成图像中辨识出沿该维的扰动，从而强制简单变化的编码。此外，我们开发了一种无监督模型选择方法，该方法沿潜空间中的轴累积感知距离分数。在多个数据集上，我们的模型无需监督即可学习高质量解耦表示，表明所提出的可解释性建模是实现无监督解耦的有效代理。
引用
@article{arxiv.2104.05622,
title = {Where and What? Examining Interpretable Disentangled Representations},
author = {Xinqi Zhu and Chang Xu and Dacheng Tao},
journal= {arXiv preprint arXiv:2104.05622},
year = {2021}
}
备注
CVPR2021