近日，实验室2021级博士生何润东的一篇论文“Visual Out-of-Distribution Detection in Open-Set Noisy Environments”（作者：何润东，韩忠义，聂秀山，尹义龙，常晓军）被CCF A类期刊IJCV录用。IJCV是人工智能领域的顶级期刊，属于CCF A类。

在之前的设置中给定的标记数据都是干净的，但是在很多实际场景中，收集的标记数据常常包含噪声。这些噪声不可避免地会对分布外检测的性能造成负面影响。本文深入研究了一个之前被忽视的问题，即在非对称开集噪声场景下的分布外检测，这是一个显著降低分布外样本识别准确性的常见问题。本章详细分析了非对称开集噪声的成因，并观察到混淆变量的关键作用，它使得大量开集噪声样本与部分难以区分的分布内样本通过伪相关特征紧密纠缠。为了应对混淆变量的挑战，本章创新性地提出了对抗性混淆变量移（Adversarial Confounder Removing，ACRE）。该方法利用对抗学习的渐进优化策略，精心划分了三个潜在的样本集合：易识别分布内数据、难识别分布内数据和开集噪声，并在此过程中同时增强不变表示和减少了伪相关表示。具体而言，通过识别具有最小混淆效应的易识别分布内样本，本章从分布内样本中学习了不变表示，这有助于基于与易识别分布内数据的相似性来区分难识别的分布内数据和开集噪声样本。借助三元组对抗学习，实现了跨这三个集合的分布差异的最小化和最大化的联合处理，从而有效地消除了混淆变量。此外，还利用潜在的开集噪声样本来优化一个K+1类分类器，进一步减少了混淆变量的影响，并引入了一个定制的K+1类分类器驱动的评分函数。通过理论分析和广泛的实验验证，证实了ACRE的可行性、有效性和强大的泛化能力。