一、模型结构
本文定义了一个由VPN(video pixel networks)来执行的概率模型。
表示第t帧(i, j)位置上c颜色通道({R, G, B})的像素值。通过链式法则将视频似然函数p(x)因式分解,表示为一个条件概率的乘积,在没有独立性假设时也可以用一种容易处理的方式进行建模。
确定因子分析中的变量顺序遵从两个准则。第一个是根据数据的特性和对数据的使用来确定;预测视频帧的顺序就根据这种时间的顺序。第二个是以能够高效计算为目的来确定顺序;比如,预测像素时从左上角到右下角。另外,对颜色的预测顺序为R,G,B。
二、网络结构
VPN模型直接对四个维度(t,i,j,c)进行建模。由上图可知,例如对G中第t帧的像素x进行预测时,需要参考:
(1)t帧之前所有帧的所有像素;
(2)第t帧中已经预测得到的所有3种颜色的像素;
(3)第t帧中已经生成的R中的像素x。
(1)Resolution Preserving CNN Encoders
作用:用来计算一个video tensor(即 X(t,i,j,c))的时