基于自校准分类器引导以更少标注数据实现分数基条件生成
计算机视觉与模式识别
2024-02-08 v3 机器学习
摘要
分数基生成模型（SGMs）是一类流行的深度生成模型，可实现领先的图像生成质量。早期研究通过将无条件SGM与训练分类器的引导相耦合，将SGMs扩展至类别条件生成。然而，此类分类器引导的SGM并非总能实现准确的条件生成，尤其在以更少标注数据训练时。我们认为该问题根源在于分类器倾向于过拟合，且未与底层无条件分布相协调。为使分类器遵从无条件分布，我们提出通过让分类器自我正则化来改进分类器引导的SGM。我们提出方法的核心思想是运用能量基模型的原则将分类器转换为无条件SGM的另一种视角。随后可利用现有的无条件SGM损失，通过校准分类器内部的无条件分数来实现正则化。该正则化方案不仅可应用于标注数据，也可应用于无标注数据以进一步改进分类器。在不同比例更少标注数据下，实证结果表明所提方法显著提升了条件生成质量。这些提升证实了所提自校准技术在有限标注数据生成建模中的潜力。
引用
@article{arxiv.2307.04081,
title = {Score-based Conditional Generation with Fewer Labeled Data by Self-calibrating Classifier Guidance},
author = {Paul Kuo-Ming Huang and Si-An Chen and Hsuan-Tien Lin},
journal= {arXiv preprint arXiv:2307.04081},
year = {2024}
}