【CVPR2021】CausalVAE: 引入因果结构的解耦表示学习

CausalVAE是一个解耦表征学习方法，其旨在发现物理世界中各种概念之间的因果关系并生成其低维表征。该工作首次采用因果关系对表征建模，并可以通过表征的结构因果模型生成反事实图片。

该工作可应用在图像理解上，并帮助计算机更好的发现图片中稳定的因果表示，其可应用在下游分类，识别任务当中。另外由于该工作重建了物理世界的因果模型，可以用来对观察数据构建模拟器，通过该模拟器可以做满足因果的数据增强以及图像去噪。比如在自动驾驶中，可以通过该模型的因果干预直接去除影子而不影响别的因素，从而提升自动驾驶的安全性。

在理论层面上，该文章建立了一套识别性理论，证明了CausalVAE建立了首个可以识别的，具有可解释性的因果解耦低维表征。

https://www.zhuanzhi.ai/paper/9b63efa3a0b56cd27d64b6c7bb327471

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“CVAE” 就可以获取《【CVPR2021】CausalVAE: 引入因果结构的解耦表示学习》专知下载链接

专知，专业可信的人工智能知识分发 ，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源