Unsupervised Shadow Removal Using Target Consistency Generative Adversarial Network
Chongqing University of Technology（重庆理工大学）
无监督阴影去除的目的是学习一个非线性函数，在没有成对的阴影和非阴影数据的情况下，将原始图像从阴影域映射到非阴影域。在本文中，我们开发了一个简单而有效的目标一致性生成对抗网络（TC-GAN）的阴影消除任务，在无监督的方式。与基于周期一致性GAN的阴影去除方法中的双向映射相比，TC-GAN试图学习单侧映射，以将阴影图像投射到无阴影图像。提出的目标一致性约束，阴影图像和输出的无阴影图像之间的相关性被严格限制。大量的对比实验结果表明，TC-GAN在FID和KID方面分别比最先进的无监督阴影去除方法高出14.9%和31.5%。值得注意的是，TC-GAN实现了与监督阴影去除方法相当的性能。
2021-05-30 cs.CV eess.IV
Justifying Information-Geometric Causal Inference
信息几何因果推断（IGCI）是一种区分两个变量因果关系的新方法。它基于输入分布和因果机制之间的独立性假设，可以用信息空间中的正交性来表述。我们描述了两个直观的重新解释这种方法，使IGCI更容易获得更广泛的受众。此外，我们证明了所描述的独立性与无监督学习和半监督学习只适用于从结果预测原因而不是相反的假设有关。
2014-02-11 stat.ML
Causal Inference With Outcome-Dependent Missingness And Self-Censoring
针对因果推断中结果自删失导致估计偏差、现有阴影变量法假设难验证的问题，提出基于随机激励变量的检验方法验证识别假设，证明以处理为阴影变量可识别因果效应并给出对应逆概率加权估计量，通过模拟验证了有效性。
2023-06-08 stat.ME
DC-ShadowNet: Single-Image Hard and Soft Shadow Removal Using Unsupervised Domain-Classifier Guided Network
National University of Singapore（新加坡国立大学）；Yale-NUS College（耶鲁-新加坡国立大学学院）
本文提出无监督域分类器引导网络DC-ShadowNet，通过域分类器、新型损失函数和测试时训练，实现单图像硬阴影与软阴影的高质量去除。
2023-08-05 cs.CV
ROCK: Causal Inference Principles for Reasoning about Commonsense Causality
University of Pennsylvania（宾夕法尼亚大学）；Tencent AI Lab（腾讯人工智能实验室）；Amazon AWS AI Labs（亚马逊AWS人工智能实验室）
常识因果推理（CCR）的目的是在一般人认为合理的自然语言描述中识别可能的原因和结果。虽然是巨大的学术和实践的兴趣，这个问题仍然是一个良好的理论框架的缺乏阴影;现有的工作通常依赖于深语言模型全心全意，并可能容易混淆同现。受经典因果原则的启发，我们阐明了CCR的核心问题，并在观察性研究中的人类受试者与自然语言之间进行了比较，以将CCR纳入潜在结果框架，这是常识性任务的首次尝试。我们提出了一个新的框架，岩石，原因O（A）约常识K（C）的因果关系，它利用时间信号作为偶然的监督，并平衡混淆的影响，使用类似于倾向分数的时间倾向。ROCK的实现是模块化和zero-shot的，并展示了良好的CCR功能。
2022-06-17 cs.AI cs.CL cs.LG
FASR-Net: Unsupervised Shadow Removal Leveraging Inherent Frequency Priors
Faculty of Information Engineering and Automation, Kunming University of Science and Technology（昆明理工大学信息工程与自动化学院）；College of Mechatronics and Control Engineering, Shenzhen University（深圳大学机电与控制工程学院）
本文提出无监督频率感知阴影去除网络FASR-Net，利用小波注意力下采样模块和多种新损失函数提升阴影去除效果，在AISTD和SRD数据集上取得优越性能。
2025-04-08 cs.CV
Unsupervised Portrait Shadow Removal via Generative Priors
HKUST（香港科技大学）
肖像图像通常会受到不经意的物体甚至脸部本身投射的不良阴影的影响。虽然现有的人像阴影去除方法需要在大规模的合成数据集上进行训练，但我们提出了第一种无需任何训练数据的人像阴影去除无监督方法。我们的关键思想是利用嵌入在现成的预训练StyleGAN 2中的生成面部先验。为了实现这一点，我们制定的阴影去除任务作为一个层分解问题：阴影的肖像图像构建的阴影图像和阴影的图像的混合。我们提出了一个有效的渐进优化算法来学习分解过程。我们的方法也可以扩展到肖像纹身去除和水印去除。在真实世界人像阴影数据集上的定性和定量实验表明，我们的方法实现了与监督阴影去除方法相当的性能。我们的源代码可在https://github.com/YingqingHe/Shadow-Removal-via-Generative-Priors上获得。
2021-08-07 cs.CV
Causal disentanglement of multimodal data
Center for Computing Research, Sandia National Laboratories（桑迪亚国家实验室计算研究中心）；Applied Information Sciences Center, Sandia National Laboratories（桑迪亚国家实验室应用信息科学中心）；School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）；School of Engineering and Applied Science, University of Pennsylvania（宾夕法尼亚大学工程与应用科学学院）
针对探索性因果表示学习缺乏先验信息的问题，提出causalPIMA算法，结合多模态数据与物理约束，通过可微框架同步学习DAG与潜空间，实现无监督下的因果特征发现与可解释结构学习。
2023-11-08 cs.AI cs.LG stat.ML
Moment-Matching Graph-Networks for Causal Inference
在本文中，我们探索了一个完全无监督的深度学习框架，用于从观测训练数据中模拟非线性结构方程模型。本文的主要贡献是将矩匹配损失函数应用于因果贝叶斯图的边缘，从而生成条件矩匹配图神经网络。因此，该框架使得能够对各种图形干预的潜在空间条件概率分布进行自动采样，并且能够生成样本外干预概率，该样本外干预概率通常忠实于远超出训练集中包含的范围的地面实况分布。这些方法原则上可以与任何现有的自动编码器结合使用，该自动编码器产生包含因果图结构的潜在空间表示。
2020-07-27 cs.LG stat.ML
The Blessings of Multiple Causes
Columbia University（哥伦比亚大学）
从观察数据进行的因果推断通常假设“可解释性”，即所有混杂因素都被观察到。这个假设是标准的，但无法检验。然而，许多科学研究涉及多个原因，不同的变量，其影响同时感兴趣。我们提出了deconfounder，一种结合无监督机器学习和预测模型检查的算法，在多原因设置中执行因果推断。反建器推断一个潜在变量作为未观察到的混杂因素的替代，然后使用该替代来执行因果推断。我们开发理论的解构，并表明，它需要弱于经典的因果推断的假设。我们在三种类型的研究中分析了它的性能：围绕吸烟和肺癌的半模拟数据，围绕全基因组关联研究的半模拟数据，以及关于演员和电影收入的真实数据集。反建方提供了一种可检查的方法来估计更接近事实的因果效应。
2019-04-15 cs.LG stat.ME stat.ML
ShadowSense: Unsupervised Domain Adaptation and Feature Fusion for Shadow-Agnostic Tree Crown Detection from RGB-Thermal Drone Imagery
University of Alberta（阿尔伯塔大学）
本文提出ShadowSense方法，通过无监督域适应与RGB-热成像特征融合，结合约5万对配对数据集，有效解决了无人机影像中阴影树冠的检测难题。
2023-10-24 cs.CV
Self-separated and self-connected models for mediator and outcome missingness in mediation analysis
本文研究中介和结果缺失性在中介分析中的识别问题，提出自我分离和自我连接模型，结合阴影变量理论，扩展了缺失机制理论，并通过实例说明其应用价值。
2026-04-06 stat.ME
Variational Causal Dynamics: Discovering Modular World Models from Interventions
Applied AI Lab（应用人工智能实验室）；University of Oxford（牛津大学）；MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）
潜在的世界模型允许代理商的原因复杂的环境与高维的意见。然而，适应新环境和有效利用以前的知识仍然是重大挑战。我们提出了变分因果动力学（VCD），一个结构化的世界模型，利用跨环境的因果机制的不变性，以实现快速和模块化的适应。通过因果分解转换模型，VCD能够识别跨不同环境的可重用组件。这是通过结合因果发现和变分推理来实现的，以无监督的方式联合学习潜在表示和转换模型。具体来说，我们通过表示模型和结构为因果图模型的转换模型联合优化证据下限。在模拟环境的状态和图像观测的评估，我们表明，VCD是能够成功地识别因果变量，并发现一致的因果结构在不同的环境。此外，在以前看不见的干预环境中进行少量观察，VCD能够识别动态中的稀疏变化并有效地适应。在这样做的过程中，VCD显著地扩展了当前最先进的潜在世界模型的能力，同时在预测准确性方面也具有优势。
2022-06-22 cs.LG stat.ME
A step towards the applicability of algorithms based on invariant causal learning on observational data
Universidad Politécnica de Madrid（马德里理工大学）
针对观测数据缺乏多环境的问题，提出一种高效生成训练环境的方法，将其与ICP结合用于因果发现，并改进以适用于多协变量数据集。
2023-04-05 cs.LG stat.ME
Shadow Datasets, New challenging datasets for Causal Representation Learning
USC（南加州大学）；USC Information Sciences Institute（南加州大学信息科学研究所）
针对现有因果表示学习数据集生成因素少、因果图简单及真实数据集图与分布不一致的问题，本文提出两个更具挑战性的新数据集，并修正 CelebA(BEARD) 与 CelebA(SMILE) 的因果图。
2023-08-11 cs.CV cs.LG
Causal Clustering for Conditional Average Treatment Effects Estimation and Subgroup Discovery
Georgia Institute of Technology（佐治亚理工学院）
提出基于因果森林学习核的聚类框架，通过估计去偏CATEs并应用核化聚类，有效发现对处理敏感的亚群并捕捉异质性处理效应。
2025-09-17 cs.LG stat.ML
Concept-free Causal Disentanglement with Variational Graph Auto-Encoder
Southern University of Science and Technology（南方科技大学）；Gongsheng Matrix（Gong Sheng Matrix）
针对图数据解缠表示学习，提出无概念因果解缠方法，通过紧上界近似和因果解缠层构建CCVGAE及CC-Meta-Graph，在AUC上分别提升29%和11%。
2023-11-17 cs.AI cs.LG stat.ME
A Causal Ordering Prior for Unsupervised Representation Learning
University of Edinburgh（爱丁堡大学）；Imperial College London（帝国理工学院）
针对无监督表示学习中潜变量独立性假设过强的问题，提出基于潜变量加性噪声模型与 Hessian 损失的因果排序先验，实现无需辅助信息或干预数据的完全无监督因果表示学习。
2023-07-11 cs.AI cs.CV cs.LG
Longitudinal causal inference under informative missingness using the self-censoring model
New York University Grossman School of Medicine（纽约大学格罗斯曼医学院）
针对纵向数据信息性缺失问题，提出自删失模型下的因果识别与估计方法，结合影子变量条件矩限制实现反事实均值递归识别，并构建渐近线性估计器以支持机器学习与根n推断。
2026-10-08 stat.ME
Transporting Causal Mechanisms for Unsupervised Domain Adaptation
Nanyang Technological University（南洋理工大学）；Damo Academy, Alibaba Group（阿里巴巴集团达摩院）；Singapore Management University（新加坡管理大学）
现有的无监督领域自适应（UDA）文献采用了协变量偏移和条件偏移假设，这实质上鼓励模型学习跨领域的共同特征。然而，由于缺乏监督的目标领域，他们遭受的语义损失：将不可避免地失去了非歧视性的语义，在源领域的特征，但在目标领域的歧视性。我们使用因果观点--可转移性理论--来确定这种损失实际上是一种混杂效应，只能通过因果干预来消除。然而，可移植性提供的理论解决方案对于UDA来说是远远不实用的，因为它需要分层和表示未观察到的混淆因素，这是域间隙的原因。为此，我们提出了一个实用的解决方案：运输因果机制（TCM），通过使用域不变的解纠缠因果机制，这是在无监督的方式发现，以确定混淆层和表示。我们的中医学既有理论基础，又有经验基础。大量的实验表明，TCM在三个具有挑战性的UDA基准测试中达到了最先进的性能：ImageCLEF-DA，VisDA-2017和Vis-Home。代码见附录。
2021-07-28 cs.CV
Causal Unsupervised Semantic Segmentation
School of Electrical Engineering（电气工程学院）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文提出CAUSE框架，通过因果推理方法解决无监督语义分割中概念聚类层次确定问题，实现像素级分组，并在多个数据集上取得最佳性能。
2023-10-11 cs.AI cs.CV cs.LG
Contrastive Unsupervised Learning of World Model with Invariant Causal Features
Cambridge Research Laboratory（剑桥研究实验室）；Toshiba Europe Limited（东芝欧洲有限公司）；University of Cambridge（剑桥大学）
在本文中，我们提出了一个世界模型，学习因果关系的特点，使用不变性原则。特别是，我们使用对比无监督学习来学习不变的因果特征，这使得不相关部分或观察风格的增强具有不变性。基于世界模型的强化学习方法独立地优化表示学习和策略。因此，由于缺乏对表示学习模块的监督信号，天真的对比损失实现崩溃。我们提出了一个干预不变的辅助任务，以减轻这个问题。具体来说，我们利用深度预测来明确地执行不变性，并使用数据增强作为对RGB观察空间的样式干预。我们的设计利用无监督表示学习来学习具有不变因果特征的世界模型。我们提出的方法在iGibson数据集上的分布点导航任务上显着优于当前最先进的基于模型和无模型强化学习方法。此外，我们提出的模型擅长于我们的感知学习模块的仿真到现实迁移。最后，我们在DeepMind控制套件上评估了我们的方法，并且由于深度不可用，因此只能隐式地执行不变性。尽管如此，我们提出的模型与最先进的对应模型表现相当。
2022-09-29 cs.AI cs.CV cs.LG
Unsupervised Causal Prototypical Networks for De-biased Interpretable Dermoscopy Diagnosis
Zhejiang Key Laboratory of Accessible Perception and Intelligent Systems（浙江可及感知与智能系统重点实验室）；College of Computer Science and Technology（计算机科学与技术学院）；Hangzhou Dianzi University（杭州电子科技大学）；Xi'an Jiaotong University（西安交通大学）
CausalProto通过无监督因果原型网络去偏可解释皮肤病镜诊断，提升诊断性能并提供高纯度视觉解释。
2026-02-27 cs.CV eess.IV
Causal Prototype-inspired Contrast Adaptation for Unsupervised Domain Adaptive Semantic Segmentation of High-resolution Remote Sensing Imagery
Central South University（中南大学）
针对高分辨率遥感影像语义分割的域偏移问题，提出因果原型启发对比自适应方法，通过特征解耦、原型对比与因果干预学习域不变因果特征，显著提升跨域语义分割性能。
2024-03-06 cs.CV
Causal Bootstrapped Alignment for Unsupervised Video-Based Visible-Infrared Person Re-Identification
School of Computer Science and Technology, Chongqing University of Posts and Telecommunications（重庆邮电大学计算机科学与技术学院）
本文提出因果增强的无监督视频基可见-红外人再识别框架，通过引入因果干预预热和原型引导不确定性细化方法，解决无监督视频基可见-红外人再识别中的模态偏差和聚类粒度不均问题，提升跨模态对齐效果。
2026-04-17 cs.CV
CRCL: Causal Representation Consistency Learning for Anomaly Detection in Surveillance Videos
针对无监督视频异常检测中模型易受场景偏移影响、过度泛化的问题，提出因果表示一致性学习框架，通过场景去偏与因果正常性学习挖掘鲁棒因果因子，在多基准上实现更优性能且数据效率更高。
2025-03-24 cs.CV
ShadowDancer: Teaching Video World Models Any Action by Learning Unified Dynamics Representations from a Video and Its Shadow
Alaya Lab（Alaya实验室）；Shanghai Innovation Institute（上海创新研究院）
ShadowDancer通过阴影对与跨阴影预测学习统一动力学表示，实现视频世界模型的任意动作帧级控制，在多动力学族上的动作迁移与长回放性能优于基线，平均盲胜率达86%。
2026-07-31 cs.AI cs.CV cs.LG
VDSM: Unsupervised Video Disentanglement with State-Space Modeling and Deep Mixtures of Experts
University of Surrey（萨里大学）
分解表示支持一系列下游任务，包括因果推理、生成建模和公平机器学习。不幸的是，没有监督或归纳偏见的结合，解开纠缠已经被证明是不可能的。鉴于监督通常是昂贵的或不可行的收购，我们选择将结构归纳偏差，并提出了一个无监督的，深状态空间模型的视频解纠缠（VDSM）。该模型通过采用分层结构、动态先验知识和混合专家模型解码器来消除潜在的时变和动态因素。VDSM学习视频中对象或人的身份以及正在执行的动作的单独的解纠缠表示。我们在一系列定性和定量的任务，包括身份和动力学转移，序列生成，Fréchet起始距离和因子分类评估VDSM。VDSM提供了最先进的性能，超过了对抗性方法，即使这些方法需要额外的监督。
2021-12-15 cs.CV cs.LG
Learning Causal Domain-Invariant Temporal Dynamics for Few-Shot Action Recognition
Boston College（波士顿学院）；Carnegie Mellon University（卡内基梅隆大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Tulane University（杜兰大学）
提出CDDTD框架，通过因果表示学习分离时间不变与变化表示，在适应阶段固定时间动态并更新编码器与域估计器，在少样本动作识别任务上取得卓越准确率。
2024-06-04 cs.CV
Unsupervised Intuitive Physics from Visual Observations
University of Oxford（牛津大学）；University College London（伦敦大学学院）；Niantic（尼安蒂克）
虽然直觉物理学的学习模型是一个越来越活跃的研究领域，但目前的方法在一个重要方面仍然低于自然智能：它们需要外部监督，例如在训练时，有时甚至在测试时明确访问物理状态。一些作者放宽了这些要求，用手工制作的物理模拟器补充模型。尽管如此，由此产生的方法无法自动学习新的复杂环境，并理解其中的物理相互作用。在这项工作中，我们首次展示了直接从原始视觉观察中学习这些预测器，而不依赖于模拟器。我们分两步来做：首先，我们学习使用因果关系和等方差来跟踪视频中的机械突出对象，这两个无监督学习原则不需要自动编码。其次，我们证明了提取的位置是足够的成功训练视觉运动预测，可以考虑到底层环境。我们在合成数据集上验证了我们的预测器;然后，我们引入了一个新的数据集，ROLL 4 REAL，由在复杂地形上滚动的真实对象组成（台球桌，椭圆碗和随机高度场）。我们表明，在所有这些情况下，可以单独从原始视频中学习对象轨迹的可靠外推器，而无需任何形式的外部监督，并且没有比选择卷积神经网络架构更多的先验知识。
2019-03-29 cs.AI cs.CV
