BIGRoC：通过鲁棒分类器提升图像生成
计算机视觉与模式识别
2023-02-02 v4
摘要
近年来，随着各种深度生成模型及其训练方法的引入，机器学习界对图像合成的兴趣显著增长。在这项工作中，我们提出了一种通用的、与模型无关的技术，用于改善任何生成模型所得生成图像的图像质量和分布保真度。我们的方法称为 BIGRoC（通过鲁棒分类器提升图像生成，Boosting Image Generation via a Robust Classifier），基于通过给定鲁棒分类器的引导进行后处理过程，且无需对生成模型进行额外训练。给定一幅合成图像，我们提议通过对鲁棒分类器进行投影梯度步来更新该图像以优化其识别度。我们在多种图像合成方法上演示了该后处理算法，并展示了在 CIFAR-10 和 ImageNet 上的显著定量与定性改进。令人惊讶的是，尽管 BIGRoC 是细化方法中首个与模型无关的且所需信息少得多，它却优于竞争方法。具体而言，BIGRoC 将 ImageNet 128x128 上性能最佳的图像合成扩散模型提升了 14.81%，取得 FID 分数 2.53，在 256x256 上提升了 7.87%，达到 FID 3.63。此外，我们进行了一项意见调查，据此人类显著偏好我们方法的输出。
引用
@article{arxiv.2108.03702,
title = {BIGRoC: Boosting Image Generation via a Robust Classifier},
author = {Roy Ganz and Michael Elad},
journal= {arXiv preprint arXiv:2108.03702},
year = {2023}
}