用于条件图像生成的注意力归一化
计算机视觉与模式识别
2020-04-09 v1
摘要
传统的基于卷积的生成对抗网络基于分层局部操作合成图像，其中长程依赖关系通过马尔可夫链隐式建模。对于具有复杂结构的类别而言，这仍然不够充分。在本文中，我们用注意力归一化（AN）来刻画长程依赖，它是传统实例归一化的一种扩展。具体而言，输入特征图根据其内部语义相似性被软划分为若干区域，并分别进行归一化。它增强了具有语义对应关系的远距离区域之间的一致性。与自注意力 GAN 相比，我们的注意力归一化不需要度量所有位置的相关性，因此可以直接应用于大尺寸特征图而不会带来过多计算负担。在类条件图像生成和语义修复上的大量实验验证了我们提出模块的有效性。
引用
@article{arxiv.2004.03828,
title = {Attentive Normalization for Conditional Image Generation},
author = {Yi Wang and Ying-Cong Chen and Xiangyu Zhang and Jian Sun and Jiaya Jia},
journal= {arXiv preprint arXiv:2004.03828},
year = {2020}
}
备注
CVPR 2020