CoPE：基于多项式展开的条件图像生成
机器学习
2021-10-29 v3 计算机视觉与模式识别
摘要
生成建模已发展成为机器学习中一个引人注目的领域。深度多项式神经网络（PNNs）在无监督图像生成中取得了令人印象深刻的成果，其任务是将输入向量（即噪声）映射到合成图像。然而，PNNs 的成功尚未在条件生成任务（如超分辨率）中得到复现。现有的 PNNs 侧重于单变量多项式展开，难以很好地处理双变量输入，即噪声变量与条件变量。在本工作中，我们引入了一个称为 CoPE 的通用框架，它能够实现两个输入变量的多项式展开，并捕获它们的自相关与交叉相关。我们展示了 CoPE 如何被轻易扩展以接受任意数量的输入变量。CoPE 在涉及八个数据集的五个任务（类别条件生成、逆问题、边缘到图像翻译、图像到图像翻译、属性引导生成）中进行了评估。充分的评估表明 CoPE 可用于应对多样的条件生成任务。CoPE 的源代码可在 \url{https://github.com/grigorisg9gr/polynomial_nets_for_conditional_generation} 获取。
引用
@article{arxiv.2104.05077,
title = {CoPE: Conditional image generation using Polynomial Expansions},
author = {Grigorios G Chrysos and Markos Georgopoulos and Yannis Panagakis},
journal= {arXiv preprint arXiv:2104.05077},
year = {2021}
}
备注
Accepted in NeurIPS 2021