论文下载地址:这里
[目录]
摘要
合成高分辨率图像是机器学习中一个长期存在的挑战,文中介绍了图像合成的一个改进训练GAN s的新方法。我们运用标签条件构建了一个变种GANs,产生显示出全局一致性的128×128分辨率的图像样本。我们扩展了以前的图像质量评价工作,提出了两种新的分析方法,以评价类别条件图像合成模型的样本的可区分性和多样性。这些分析表明,高分辨率样本提供了在低分辨率样本中不存在的类别信息。在1000个ImageNet类中,128×128的样本比人工调整的32×32 大小的样本高出两倍的可分性。并且,84.7%的类别具有与真实ImageNet 数据可比拟的样本表达多样性
简介
表征自然图像结构是个极富研究的工作,自然图像服从内在不变性,并展现出史上难以量化的多尺度统计结构。机器学习的最新进展提供了一个大幅度提高图像模型质量的机会。改进的图像模型在图像去噪,压缩,绘图,和超分标率上都提升了目前的先进水平。更好的自然图像模型还可以提高版半督学习任务和强化学习问题的性能。
理解自然图像统计的方法之一是建立一个合成图像的系统 de novo。建立图像合成模型有几个有前景的方法。变量自编码器( Variational