具有多尺度自回归先验的归一化流
机器学习
2020-04-09 v1 计算机视觉与模式识别
机器学习
摘要
基于流的生成模型是一类重要的精确推断模型，可用于图像合成的高效推断与采样。由于流层设计上的效率约束，例如近似一半像素不再经历进一步变换的分离耦合流层，与依赖逐像素条件生成的自回归模型相比，它们在建模长程数据依赖方面表达能力有限。在本工作中，我们通过多尺度自回归先验（mAR）在流模型的潜空间中引入通道间依赖，从而提升基于流的模型的表征能力。我们针对具有分离耦合流层的模型提出的 mAR 先验（mAR-SCF）能更好地捕捉复杂多模态数据中的依赖关系。所得模型在 MNIST、CIFAR-10 和 ImageNet 上取得了最先进的密度估计结果。此外，我们表明 mAR-SCF 可改善图像生成质量，相较于最先进的基于流的模型在 FID 和 Inception 分数上均有提升。
引用
@article{arxiv.2004.03891,
title = {Normalizing Flows with Multi-Scale Autoregressive Priors},
author = {Shweta Mahajan and Apratim Bhattacharyya and Mario Fritz and Bernt Schiele and Stefan Roth},
journal= {arXiv preprint arXiv:2004.03891},
year = {2020}
}
备注
To appear in CVPR 2020