NNMFによる拡散ベース特徴デノイズと、頑健な手書き数字マルチクラス分類

arXiv cs.CV / 2026/4/1

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、ノイズや敵対的攻撃に対して耐性を持つために、特徴空間における拡散ベースの特徴デノイズを行う、頑健な手書き数字マルチクラス分類の枠組みを提案する。
まず、入力画像をNonnegative Matrix Factorization（NNMF）によって解釈可能で非負の要素へと変換しつつ、CNNにより深い特徴も抽出する。
本手法は、NNMF由来の特徴とCNN特徴をハイブリッド表現として統合し、その後、特徴表現にガウスノイズを加えるステップワイズな拡散プロセスを適用する。
整合的な特徴デノイザーネットワークを学習し、拡散／ノイズ付与プロセスを逆転させて、分類の前によりクリーンな特徴表現を再構成する。
AutoAttackを用いた敵対的評価を含む実験により、拡散ベースのハイブリッドモデルは強い性能を維持し、CNNベースラインと比較して頑健性の向上が示される。