小波来救援：提升潜变量深度生成模型的样本质量
计算机视觉与模式识别
2019-11-15 v1 机器学习
图像与视频处理
机器学习
摘要
变分自编码器（VAE）是以优雅理论、稳定训练过程和有意义流形表示为支撑的概率深度生成模型。然而，由于缺乏对图像高频纹理细节的显式强调，以及难以直接对高维图像空间上的复杂联合概率分布建模，它们生成的图像较为模糊。在这项工作中，我们通过一种新颖的小波空间VAE来应对这两个挑战，该VAE使用解码器在小波系数空间中建模图像。这使得VAE能够强调通过小波分解获得的图像中的高频分量。此外，通过将生成高维图像的复杂函数分解为逆小波变换和小波系数生成，后者变得更易于由VAE建模。我们通过经验验证，在小波空间中运行的深度生成模型能够生成比图像（RGB）空间对应模型更高质量的图像。在定量上，在基准自然图像数据集上，在相同架构和实验设置下，我们相比基于VAE的架构取得了持续更优的FID分数，并与多种GAN模型取得了有竞争力的FID分数。此外，所提出的小波基生成模型保留了如解耦且信息丰富的潜表示等期望属性，且不损失生成样本的质量。
引用
@article{arxiv.1911.05627,
title = {Wavelets to the Rescue: Improving Sample Quality of Latent Variable Deep Generative Models},
author = {Prashnna K Gyawali and Rudra Saha and Linwei Wang and VSR Veeravasarapu and Maneesh Singh},
journal= {arXiv preprint arXiv:1911.05627},
year = {2019}
}