【CVPR2020-清华大学】具有后验置信度的噪声数据的概率视频预测

题目：

Probabilistic Video Prediction from Noisy Data with a Posterior Confidence

简介：

我们从一系列嘈杂的输入中研究了概率视频预测的新研究问题，这很有用，因为在实际的时空预测应用中很难保证输入帧的质量。它也具有挑战性，因为它涉及两个级别的不确定性：来自噪声观测的感知不确定性和正向建模中的动力学不确定性。在本文中，我们通过端到端训练模型，称为贝叶斯预测网络（BP-Net）。与先前在随机视频预测中假设时空一致性并因此无法处理感知不确定性的工作不同，BP-Net在集成框架中对两个不确定性水平进行建模。此外，与以前的工作仅能提供未分类的未来帧估计不同，BP-Net利用可微的顺序重要性抽样（SIS）方法基于基础物理状态的推论做出未来的预测，从而根据SIS重要性权重，即置信度。我们的实验结果表明，BP-Net在根据嘈杂数据预测未来帧方面明显优于现有方法。