引入辅助变量的 PixelCNN 模型用于自然图像建模
计算机视觉与模式识别
2017-07-04 v4
摘要
我们研究自然图像的概率模型，并通过引入辅助变量扩展了 PixelCNN 架构的自回归家族。随后，我们描述了两种新的生成式图像模型，它们利用不同的图像变换作为辅助变量：图像的量化灰度视图或多分辨率图像金字塔。所提出的模型解决了现有 PixelCNN 模型的两个已知缺点：1) 它们倾向于关注低级图像细节，而很大程度上忽略了高级图像信息，如物体形状；2) 它们计算成本高昂的图像采样过程。我们通过实验证明了所提出模型的优势，特别是展示了它们生成的图像样本比先前最先进的概率模型看起来更加逼真。
引用
@article{arxiv.1612.08185,
title = {PixelCNN Models with Auxiliary Variables for Natural Image Modeling},
author = {Alexander Kolesnikov and Christoph H. Lampert},
journal= {arXiv preprint arXiv:1612.08185},
year = {2017}
}
备注
ICML 2017