High Fidelity Image Counterfactuals with Probabilistic Causal Models
利用概率因果模型生成高保真图像反事实AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕结构因果模型中的干预、反事实和中介效应展开，最直接的分类依据是因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用概率因果模型生成高保真图像反事实
- 研究问题
- 如何在图像等高维结构化变量上估计干预与反事实，并使生成的图像能够反映直接、间接及总因果效应？
- 方法与思路
- 作者结合因果中介分析与生成模型，在深度结构因果模型中设计适合结构化变量的因果机制，并进行反事实溯因。
- 材料陈述的贡献
- 摘要称实验支持所提机制准确进行溯因和效应估计，其评价依据是反事实的公理一致性，而具体指标未在摘要列出。
- 阅读关注点
- 应核对因果图与中介路径的设定、溯因过程、反事实公理的定义，以及生成图像的视觉质量如何关联效应估计准确性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明识别条件与实验细节，不能把生成质量直接视为因果有效性。
原文摘要
We present a general causal generative modelling framework for accurate estimation of high fidelity image counterfactuals with deep structural causal models. Estimation of interventional and counterfactual queries for high-dimensional structured variables, such as images, remains a challenging task. We leverage ideas from causal mediation analysis and advances in generative modelling to design new deep causal mechanisms for structured variables in causal models. Our experiments demonstrate that our proposed mechanisms are capable of accurate abduction and estimation of direct, indirect and total effects as measured by axiomatic soundness of counterfactuals.