通过可学习图池化网络追踪模型解析中的超参数依赖关系

模型解析定义了这样一个研究任务：给定一张生成的图像作为输入，预测生成模型（GM）的超参数。由于生成模型联合使用了一组多种多样的超参数，并且它们之间通常存在依赖关系，因此学习这些超参数依赖关系对于提升模型解析性能至关重要。为了探索这种重要的依赖关系，我们提出了一种名为可学习图池化网络（LGPN）的新型模型解析方法。具体而言，我们将模型解析转化为图节点分类任务，使用图节点和边分别表示超参数及其依赖关系。此外，LGPN 结合了为模型解析量身定制的可学习池化-反池化机制，该机制自适应地学习用于生成输入图像的 GM 的超参数依赖关系。我们还将我们提出的方法扩展到 CNN 生成图像检测和坐标攻击检测。在实验上，我们在模型解析及其扩展应用中取得了最先进的结果，证明了我们方法的有效性。我们的源代码已公开。