深度自动调制器
机器学习
2020-10-30 v4 计算机视觉与模式识别
机器学习
摘要
我们引入一类称为自动调制器（automodulator）的生成式自编码器。这些网络能够像常规自编码器一样忠实重建单个真实输入图像，同时也能由任意若干此类图像的融合生成样本，从而实现即时“风格混合”及其他新应用。自动调制器将解码器操作的数据流与其统计特性解耦，并利用潜向量以原则性的方式通过后者调制前者，从而实现解码器各层间的相互解纠缠。先前工作利用 GAN 探索了类似的解码器架构，但其关注点在于随机采样；而相应的自编码器可作用于真实输入图像。我们首次展示了如何使用新颖的训练技术，在四个图像数据集上训练出具有高分辨率锐利输出的此类通用模型。除风格混合外，我们展示了自编码器比较中的最优结果，以及几乎与最优 GAN 难以区分的视觉图像质量。我们期望自动调制器变体成为图像应用及其他数据域的有用构建模块。
引用
@article{arxiv.1912.10321,
title = {Deep Automodulators},
author = {Ari Heljakka and Yuxin Hou and Juho Kannala and Arno Solin},
journal= {arXiv preprint arXiv:1912.10321},
year = {2020}
}
备注
To appear in Advances in Neural Information Processing Systems (NeurIPS 2020)