介入ベースの自己教師あり学習：因果プローブ・パラダイムによるリモートPPG（rPPG）

要旨: 遠隔フォトプレチスモグラフィ（rPPG）は、非接触で便利に生理学的計測を可能にします。既存の自己教師あり学習（SSL）手法は一般に、相関トラップに陥りがちです。すなわち、微弱で真のrPPG信号ではなく、データ中の最も支配的な周期信号、例えば高エネルギーの動きや照明ノイズを学習してしまう傾向があり、その結果としてモデルの汎化性能が低下します。これに対処するために、潜在rPPG信号を基礎となる物理的な生成源とみなし、そこから生じるピクセルの輝度（クロマ）変動をその視覚的な現れとして扱う、新しいSSLパラダイムであるPhysiological Causal Probing（PCP）を提案します。その中核となる発想は、受動的な相関学習から能動的で精密な介入へと転換することです。すなわち、提案したrPPG仮説に基づいて動画に対して介入を行い、介入後の変化が物理的な期待と一致するかどうかを検証します。PCPを実装するために、Interv-rPPGフレームワークを提案します。ここでは、PhysMambaFormerという名前のrPPG抽出器がrPPG信号を仮説として推定し、一方でControllable Physiological Signal Editorが、この仮説に基づいて動画に対してクロマ・ドメインでの精密な介入を行います。Interv-rPPGは、`Falsifiability via Nulling' と `Axiomatic Equivariance' により、その仮説の物理的な現実味を検証します。エディタは、動画の低周波クロマ成分に介入することで、rPPG信号の精密な編集を実現します。提案手法は、VIPL-HRやMMPDのような難しいデータセットにおいて、同一ドメインとクロスドメインの双方で性能を向上させます。さらに、複雑なクロスデータセット設定では教師ありベースラインを上回りつつ、介入メカニズムがわずかな残留クロマノイズを導入し得るクリーンなデータセットでは競争力を維持します。迷惑要因に対する感度の診断分析を含む大規模な実験により、PCPパラダイムが運動や照明のアーティファクトに対して効果的に耐性を持つことが示されます。