基于自像素级归一化的图像生成

区域自适应归一化（RAN）方法已广泛应用于基于生成对抗网络（GAN）的图像到图像翻译技术中。然而，由于这些方法需要掩码图像来推断像素级仿射变换参数，它们无法应用于没有成对掩码图像的通用图像生成模型。为解决此问题，本文提出一种称为自像素级归一化（SPN）的新归一化方法，它通过无需掩码图像的像素自适应仿射变换有效提升生成性能。在我们的方法中，变换参数源自将特征图划分为前景与背景区域的自潜掩码。自潜掩码的可视化表明，SPN 有效捕获了待生成的单一对象作为前景。由于所提方法无需外部数据即可生成自潜掩码，它易于应用于现有生成模型。在各种数据集上的大量实验表明，所提方法在 Frechet inception distance（FID）与 Inception score（IS）方面显著提升了图像生成技术的性能。