深度学习网络对图像生成是否必要？
计算机视觉与模式识别
2023-11-06 v2
摘要
近来，图像被视为高维分布的样本，深度学习几乎成为图像生成的代名词。然而，深度学习网络对图像生成是否真正必要？本文在验证“图像服从高维分布”这一假设的动机下，探究不使用深度学习网络进行图像生成的可能性。由于图像被假定为该分布的样本，我们采用高斯混合模型（GMM）来描述之。具体而言，我们利用一种名为蒙特卡洛边缘化（Monte-Carlo Marginalization）的近期分布学习技术，基于图像样本捕捉 GMM 的参数。此外，我们还使用奇异值分解（SVD）进行降维以降低计算复杂度。在评估实验中，我们首先尝试直接对图像样本的分布建模，以验证图像确实服从分布的假设；随后使用 SVD 降维，以主成分而非原始图像数据进行分布学习。相比依赖深度学习网络的方法，我们的方法更具可解释性且性能可观。实验表明，相较变分自编码器生成的图像，我们的图像具有更低的 FID 值，证明了无深度学习网络图像生成的可行性。
引用
@article{arxiv.2308.13612,
title = {Is Deep Learning Network Necessary for Image Generation?},
author = {Chenqiu Zhao and Guanfang Dong and Anup Basu},
journal= {arXiv preprint arXiv:2308.13612},
year = {2023}
}
备注
This paper has been reject. I am planning to combine this paper with my another paper to make one strong paper