解释空间无限生成模型
机器学习
2020-07-27 v1 计算机视觉与模式识别
机器学习
摘要
传统的图像和其他空间模态的深度生成模型只能生成固定大小的输出。生成的图像具有与训练图像完全相同的分辨率，这由底层神经网络的层数决定。然而，最近的研究表明，将空间噪声向量输入全卷积神经网络，既能生成任意分辨率的输出图像，也能在任意分辨率的训练图像上进行训练。尽管这项工作提供了令人印象深刻的实证结果，但很少有理论解释来说明其底层的生成过程。在本文中，我们通过建立与空间随机过程的联系，为无限空间生成提供了坚实的理论解释。我们利用由此产生的直觉来改进现有的空间无限生成模型，通过一个我们称之为无限生成对抗网络（-GAN）的模型实现更高效的训练。在世界地图生成、全景图像和纹理合成上的实验验证了 -GAN 高效生成任意尺寸图像的能力。
引用
@article{arxiv.2007.12411,
title = {Interpreting Spatially Infinite Generative Models},
author = {Chaochao Lu and Richard E. Turner and Yingzhen Li and Nate Kushman},
journal= {arXiv preprint arXiv:2007.12411},
year = {2020}
}
备注
ICML 2020 workshop on Human Interpretability in Machine Learning (WHI 2020)