利用噪声激励模块增强卷积神经网络
计算机视觉与模式识别
2021-06-10 v2 机器学习
摘要
作为一种通用建模工具，卷积神经网络（CNNs）已被广泛用于图像生成与转换任务。然而，当输入为平坦数据时，由于空间共享的卷积核，当前 CNN 模型可能无法生成生动的结果。我们称之为 CNN 的平坦性退化。遗憾的是，此类退化是从平坦输入生成空间变化输出的最大障碍，而以往文献极少讨论。为解决该问题，我们提出一种模型无关的解决方案，即噪声激励模块（NIB），其作为任意 CNN 生成模型的通用插件。核心思想是在保持原始信息完整的同时打破平坦输入条件。具体而言，NIB 用噪声图对称扰动输入数据，并受目标函数驱动在特征域中重新组装。大量实验表明，配备 NIB 的现有 CNN 模型可摆脱平坦性退化，并能在给定平坦输入的某些特定图像生成任务（如语义图像合成、数据隐藏图像生成和深度神经抖动）中生成细节更丰富、视觉上更好的结果。
引用
@article{arxiv.2012.12109,
title = {Enhance Convolutional Neural Networks with Noise Incentive Block},
author = {Menghan Xia and Yi Wang and Chu Han and Tien-Tsin Wong},
journal= {arXiv preprint arXiv:2012.12109},
year = {2021}
}