利用子尺度像素网络与多维上采样生成高保真图像
计算机视觉与模式识别
2018-12-06 v1 图形学
机器学习
机器学习
摘要
高保真图像的无条件生成一直是检验图像解码器性能的基准。自回归图像模型已能无条件生成小图像，但将这些方法扩展到可更易评估保真度的大图像仍是一个开放问题。主要挑战包括编码庞大前文上下文的能力，以及学习同时保持全局语义一致性与细节精确性的分布的巨大困难。为应对前一挑战，我们提出子尺度像素网络（SPN），一种以等尺寸子图像序列生成图像的条件解码器架构。SPN 紧凑地捕获图像范围内的空间依赖关系，且仅需其他全自回归模型所需内存与计算的一小部分。为应对后一挑战，我们提出使用多维上采样，通过利用不同 SPN 的中间阶段在尺寸和深度上生长图像。我们在 CelebAHQ 尺寸 256 以及 ImageNet 从尺寸 32 到 256 的无条件生成上评估 SPN。我们在多种设定下取得了最先进的似然结果，在先前未探索的设定中建立了新的基准结果，并能够基于两个数据集生成非常高保真的大尺度样本。
引用
@article{arxiv.1812.01608,
title = {Generating High Fidelity Images with Subscale Pixel Networks and Multidimensional Upscaling},
author = {Jacob Menick and Nal Kalchbrenner},
journal= {arXiv preprint arXiv:1812.01608},
year = {2018}
}