通过多网格建模与采样学习作为生成卷积网络的基于能量的模型
机器学习
2020-10-16 v3 计算机视觉与模式识别
摘要
本文提出一种用于学习图像基于能量的生成卷积网络模型的多网格方法。对于每个网格，我们学习一个基于能量的概率模型，其能量函数由自下而上的卷积神经网络（ConvNet 或 CNN）定义。学习此类模型需要从模型中生成合成样本。在我们学习算法的每次迭代中，对于每幅观测到的训练图像，我们通过从训练图像的最小 1 x 1 版本初始化有限步 MCMC 采样，在多个网格上生成合成图像。每个后续网格上的合成图像是通过以上一更粗糙网格上生成的合成图像初始化的有限步 MCMC 获得的。在获得合成样本后，多个网格上模型的参数基于合成样本与观测样本之间的差异分别且同时更新。我们表明，这种多网格方法能够学习逼真的基于能量的生成卷积网络模型，并且优于原始的对比散度（CD）与持久对比散度（persistent CD）。
引用
@article{arxiv.1709.08868,
title = {Learning Energy-Based Models as Generative ConvNets via Multi-grid Modeling and Sampling},
author = {Ruiqi Gao and Yang Lu and Junpei Zhou and Song-Chun Zhu and Ying Nian Wu},
journal= {arXiv preprint arXiv:1709.08868},
year = {2020}
}
备注
CVPR 2018