Beyond Homoscedasticity: Decoupled Uncertainty Optimization for Deep Imbalanced Regression
Deep Imbalanced Regression (DIR) 在年龄估计、深度预测等任务中广泛存在，现有方法常忽略长尾数据的异方差性导致尾部欠拟合。为此，研究者提出 DUO 框架，通过条件高斯分布建模实例级不确定性，并利用解耦均值 - 方差优化将其转化为尾部样本的动态增强信号；同时设计基于分布重叠的对比学习机制以缓解特征松散与语义纠缠。在 IMDB-WIKI-DIR、AgeDB-DIR 和 AAV2-DIR 等视觉及生物 DIR 基准测试中，DUO 取得了最佳的 few-shot bMAE 和 GM 指标，同时在 few-shot MAE 上保持竞争力。