多分辨率连续归一化流
计算机视觉与模式识别
2021-10-06 v5 机器学习
图像与视频处理
摘要
近期工作表明，神经常微分方程（ODEs）可从连续归一化流（CNFs）的视角用作图像的生成模型。此类模型提供精确的似然计算，以及可逆的生成/密度估计。在本文中，我们引入此类模型的多分辨率变体（MRCNF），通过刻画生成与粗图像一致的精细图像所需额外信息上的条件分布。我们引入一种分辨率间的变换，其不改变对数似然。我们展示该方法在各种图像数据集上产生相当的似然值，且在更高分辨率下以更少参数、仅使用 1 块 GPU 取得改进性能。此外，我们考察了（多分辨率）连续归一化流的分布外性质，发现其与其他基于似然的生成模型相似。
引用
@article{arxiv.2106.08462,
title = {Multi-Resolution Continuous Normalizing Flows},
author = {Vikram Voleti and Chris Finlay and Adam Oberman and Christopher Pal},
journal= {arXiv preprint arXiv:2106.08462},
year = {2021}
}
备注
10 pages, 5 figures, 3 tables, 18 equations