NaturalInversion：提升真实世界一致性的无数据图像合成方法
计算机视觉与模式识别
2023-06-30 v1 人工智能
机器学习
摘要
我们提出 NaturalInversion，一种基于模型反演的新型方法，可在不使用真实数据的情况下合成与原始数据分布吻合良好的图像。在 NaturalInversion 中，我们提出：（1）特征迁移金字塔，通过结合从预训练分类器提取的多尺度特征图来增强原始数据的图像先验；（2）一对一生成模型，其中仅由一个生成器合成一批图像，以引入非线性到优化中并简化整体优化过程；（3）可学习的自适应通道缩放参数，其端到端训练以缩放输出图像通道，进一步利用原始图像先验。借助我们的 NaturalInversion，我们从在 CIFAR-10/100 上训练的分类器合成图像，并通过可视化和附加分析表明我们的图像比先前工作更符合原始数据分布。此外，我们合成的图像在知识蒸馏和剪枝等多种应用上优于先前工作，证明了我们所提方法的有效性。
引用
@article{arxiv.2306.16661,
title = {NaturalInversion: Data-Free Image Synthesis Improving Real-World Consistency},
author = {Yujin Kim and Dogyun Park and Dohee Kim and Suhyun Kim},
journal= {arXiv preprint arXiv:2306.16661},
year = {2023}
}
备注
Published at AAAI 2022