插件式反演：基于数据增强的模型无关视觉反演方法
计算机视觉与模式识别
2022-02-01 v1 机器学习
摘要
现有的模型反演技术通常依赖于难以调参的正则化项，如全变分或特征正则化，这些正则化项必须为每个网络单独校准以生成合适的图像。在本工作中，我们提出插件式反演（Plug-In Inversion），其依赖于一组简单的增强操作，且不需要过度的超参数调优。在我们提出的基于增强的方案下，同一组增强超参数可用于反演范围广泛的图像分类模型，无论输入维度或架构如何。我们通过反演在 ImageNet 数据集上训练的 Vision Transformers (ViTs) 和多层感知机（MLPs）来说明我们方法的实用性，据我们所知，这些任务尚未被以往任何工作成功完成。
引用
@article{arxiv.2201.12961,
title = {Plug-In Inversion: Model-Agnostic Inversion for Vision with Data Augmentations},
author = {Amin Ghiasi and Hamid Kazemi and Steven Reich and Chen Zhu and Micah Goldblum and Tom Goldstein},
journal= {arXiv preprint arXiv:2201.12961},
year = {2022}
}