MaCow：掩码卷积生成流
机器学习
2019-10-29 v5 人工智能
计算机视觉与模式识别
机器学习
摘要
基于流的生成模型由于在精确对数似然计算和潜变量推断方面的可处理性，以及训练和采样的高效性，在概念上颇具吸引力，并带来了许多令人印象深刻的实证成功，催生了众多高级变体和理论探究。尽管具有计算效率，基于流的生成模型的密度估计性能仍显著落后于最先进的自回归模型。在这项工作中，我们引入了掩码卷积生成流（MaCow），一种使用掩码卷积的简单而有效的生成流架构。通过限制小核内的局部连接性，MaCow兼具快速稳定训练和高效采样的特性，同时在标准图像基准上相对于Glow实现了密度估计的显著提升，大幅缩小了与自回归模型的差距。
引用
@article{arxiv.1902.04208,
title = {MaCow: Masked Convolutional Generative Flow},
author = {Xuezhe Ma and Xiang Kong and Shanghang Zhang and Eduard Hovy},
journal= {arXiv preprint arXiv:1902.04208},
year = {2019}
}
备注
In Proceedings of Thirty-third Conference on Neural Information Processing Systems (NeurIPS-2019)