Full-Glow：用于更真实图像生成的完全条件 Glow 模型

自动驾驶汽车等自主智能体需要大量带标注的视觉数据用于训练。获取此类数据的一种可行方法是用收集到的真实数据训练生成模型，然后利用该模型生成的、具有场景布局与真值标注控制能力的合成图像来扩充已收集的真实数据集。本文中我们提出 Full-Glow，一种基于 Glow 的完全条件架构，用于在给定的指示场景布局的语义分割图上生成合理且真实的街景图像。基准比较表明，我们的模型在预训练 PSPNet 的语义分割性能方面优于近期工作。这表明，相较于其他模型，我们的模型所生成的图像在更高程度上与同类场景和物体的真实图像相似，因而适合作为视觉语义分割或物体识别系统的训练数据。