用于生成式归一化流的新兴卷积
机器学习
2019-05-21 v3 机器学习
摘要
生成式流具有吸引力，因为它们允许精确的似然优化和高效的图像合成。最近，Kingma & Dhariwal (2018) 通过 Glow 证明生成式流能够生成高质量图像。我们将 Glow 中提出的 1 x 1 卷积推广到可逆的 d x d 卷积，后者更灵活，因为它在通道和空间轴上都进行操作。我们提出了两种方法来产生具有与标准卷积相同感受野的可逆卷积：新兴卷积通过链接特定的自回归卷积获得，周期卷积在频域中解耦。我们的实验表明，d x d 卷积的灵活性显著提升了生成式流模型在星系图像、CIFAR10 和 ImageNet 上的性能。
引用
@article{arxiv.1901.11137,
title = {Emerging Convolutions for Generative Normalizing Flows},
author = {Emiel Hoogeboom and Rianne van den Berg and Max Welling},
journal= {arXiv preprint arXiv:1901.11137},
year = {2019}
}
备注
Accepted at International Conference on Machine Learning (ICML) 2019