【源头活水】顶刊解读！IEEE T-PAMI （CCF-A，IF 23.6）2024年46卷第一期 [3]

“问渠那得清如许，为有源头活水来”，通过前沿领域知识的学习，从其他研究领域得到启发，对研究问题的本质有更清晰的认识和理解，是自我提高的不竭源泉。为此，我们特别精选论文阅读笔记，开辟“源头活水”专栏，帮助你广泛而深入的阅读科研文献，敬请关注！

Volume 46, Number 1, January 2024，46卷第一期，第三部分21-30

图神经网络、分布外泛化、虚假关联性消除

21. S. Fan, X. Wang, C. Shi, P. Cui and B. Wang, "Generalizing Graph Neural Networks on Out-of-Distribution Graphs," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 46, no. 1, pp. 322-337, Jan. 2024, 

doi: 10.1109/TPAMI.2023.3321097. 

关键词：图神经网络、分布外泛化、虚假关联性消除

https://ieeexplore.ieee.org/document/10268633/

图神经网络（GNN）的提出没有考虑到训练图和测试图之间的不可知分布变化，从而导致 GNN 在分布外（OOD）环境中的泛化能力退化。造成这种退化的根本原因是，大多数 GNN 都是基于 I.I.D 假设开发的。在这种情况下，GNN 往往会利用训练集中存在的细微统计相关性进行预测，即使这种相关性是虚假的。这种学习机制继承了机器学习方法的共同特点。然而，这种虚假相关性可能会在现实测试环境中发生变化，导致 GNN 失效。因此，消除虚假相关性的影响对稳定的 GNN 模型至关重要。为此，本文论证了子图级单元之间存在的虚假相关性，并从因果视角分析了 GNN 的退化。基于因果视图分析，我们提出了稳定 GNN 的一般因果表示框架，称为 StableGNN。该框架的主要思想是首先从原始图数据中提取高层表征，然后借助因果推理的区分能力帮助模型摆脱虚假相关性。特别是，为了提取有意义的高层表征，我们利用可微分图结构池化层，以端到端的方式提取基于子图的表征。此外，受因果推理中混杂因素平衡技术的启发，基于学习到的高层表征，我们提出了一种因果变量区分正则器，通过学习一组样本权重来纠正有偏差的训练分布。因此，GNN 将更专注于区分性子结构和标签之间的真实联系。我们在具有不同分布偏移度的合成数据集和八个真实世界的 OOD 图数据集上进行了广泛的实验。实验结果很好地验证了所提出的 StableGNN 模型不仅优于目前的SOTA方法，而且为增强现有的 GNN 提供了一个灵活的框架。此外，可解释性实验还验证了 StableGNN 可以利用因果结构进行预测。

大规模神经渲染、视角合成

22. G. Wang, J. Zhang, K. Zhang, R. Huang and L. Fang, "GiganticNVS: Gigapixel Large-Scale Neural Rendering With Implicit Meta-Deformed Manifold," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 46, no. 1, pp. 338-353, Jan. 2024, doi: 10.1109/TPAMI.2023.3323069.

关键词：大规模神经渲染、视角合成、视角一致的隐式表达场、元变形流形

https://ieeexplore.ieee.org/document/10274871

高性能感知技术的飞速发展为大尺度场景的千兆像素级成像/摄像提供了可能，然而千兆像素（Gigapixel ）图像中的丰富细节却很少在三维重建解决方案中得到重视。要缩小感知能力与重建能力之间的差距，就必须在利用千兆像素图像提供的高分辨率细节的同时，应对大尺度场景带来的大基线挑战。本文介绍了用于千兆像素大规模新视角合成（novel view synthesis，NVS）的 GiganticNVS。现有的 NVS 方法存在过度模糊的问题，无法充分利用图像的分辨率，原因在于它们无法恢复可信真实的潜在几何机构，并且依赖于密集的观测数据来精确地对辐射进行插值。我们的主要见解是，具有视图一致性的隐式表达场对于从大基线观测中合成高保真细节至关重要。有鉴于此，我们提出了元变形流形（meta-deformed manifold），<