[Paper] Causal

Thu, 23 Apr 2026 00:00:00 +0000

所有之前

这篇文章是我在阅读因果理论在视觉方面应用相关论文时的笔记总结,通过这篇文章，我希望能够系统地梳理相关论文的核心方法和我的理解和思考。后边到了写作的时候，增加了一些写作的参考。写作思路部分会按照普遍论文的结构进行-摘要、引言、相关工作、方法、实验、结论来总结写作思路，当然也会根据不同论文的特点进行调整。

[TPAMI] A Causal Adjustment Module for Debiasing Scene Graph Generation

这篇论文想解决什么问题？

这篇论文想解决场景图生成中对于长尾关系对的偏见问题，通过基于全局的统计量设计的一个后处理模块来调整模型的预测结果，从而提升模型在长尾关系对上的性能。

传统的去偏方法（重采样、重加权、调整方法）只关注关系分布 R 的长尾问题，但它们忽略了一个更深层的因果链条：

物体分布 O → 物体对分布 P → 关系分布 R :

物体分布 O ：不同物体类别的频率（如"人"很常见，“大象"很罕见）

物体对分布 P ：两个物体共同出现的频率（如<人, 椅子>很常见，<人, 大象>很罕见）

关系分布 R ：具体关系的频率

仅仅建模 O→P 是不够的,直观上，如果"人"和"树"都是高频物体，按 O→P 的逻辑，<人, 树>应该是最常见的物体对。但现实中，<人, 衬衫>比<人, 树>更常见，因为人和衬衫的共现（Co-occurrence）概率更高。

论文提出了 Mediator-based Causal Chain Model (MCCM)，将因果链修正为：

$$ O→中介：共现分布 C→P→R $$

核心方法

原理:从因果推断中引入 Average Treatment Effect (ATE) 概念，用于指导调整因子的学习。

反事实问题：如果能把物体对分布 P 从"高频状态”（p ）改为"低频状态"（p0 ），模型的预测会如何变化？

公式 20 展示了 CAModule 如何估计这种反事实效应：

Causal Reasoning on Ganko Space

[Paper] Causal

所有之前

[TPAMI] A Causal Adjustment Module for Debiasing Scene Graph Generation

这篇论文想解决什么问题？

核心方法