我们提出了使用扩散过程模型每个令牌的概率分布,从而可以将自回归模型应用于连续值空间的方法,并通过定义扩散损失函数来替代离散化的令牌化。通过消除向量量化,我们的图像生成器在享受序列建模的速度优势的同时取得了强大的结果,并希望该方法能促进在其他连续值领域和应用中使用自回归生成。
Jun, 2024
提出自适应随机平滑(ARS)以对测试时自适应模型的预测结果进行认证,通过扩展使用 f - 差分隐私的随机平滑分析来认证多步骤的自适应组合,首次覆盖了有噪声输入的一般高维函数的合理自适应组合,我们将 ARS 应用于深度图像分类以认证预测结果,提供对有界 L∞范数的对抗样本的适应性防御,在 L∞威胁模型中,我们的灵活性通过高维度的输入相关掩码实现自适应,我们设计了 CIFAR-10 和 CelebA 基准测试,并展示了 ARS 将准确性提高了 2 到 5 个百分点,在 ImageNet 上,ARS 相对于标准 RS 改进了 1 到 3 个百分点。
提出使用离散表示图像的方法,可以让基于自回归的生成模型输出具备更好的大规模连贯性,在 ImageNet 数据集上进行实验,证明了分层条件自回归模型可以在 128×128 和 256×256 的分辨率上生成逼真的图像。
Mar, 2019
使用基于策略梯度优化的强化对抗学习 (RAL),结合 GAN 启发的对抗损失,实现了图像生成中自回归模型的敌对性学习,提高了生成图像的质量和多样性。该方法在合成和真实数据集上都取得了显著的改善,并在 64*64 图像分辨率上实现了 Celeba 数据集的最优结果。
Jul, 2020
非自回归模型在生成图像时具有高效生成大量图像标记、低推理延迟等特点,与自回归模型相比,其参数规模为 346M,使用一台 V100 GPU 在 1 秒内生成了一张 256×256 像素的高质量图像。
Dec, 2023
本论文提出了一种预测采样算法,利用 ARMs 的快速推断能力加速采样,证明其在二元 MNIST 等设置下可显著提高推断调用次数和采样速度。
Feb, 2020
我们针对神经模型输出概率分布序列的情况,开发了一种更有效的对抗攻击方法。我们解决的关键技术挑战是如何通过蒙特卡罗估计输出序列的联合分布统计量。此外,我们将概率预测的先前工作扩展到贝叶斯设置中,可以对未来观测进行调节。我们证明了这种方法可以在股票市场交易和电力消耗预测等两项关键任务中成功生成具有小输入扰动的攻击。
Mar, 2020
本文提出了一种训练程序,它基于辅助损失函数来控制潜变量所捕获的信息以及留给自回归解码器的信息,该方法可以实现任意强大的自回归解码器,达到具有潜变量的模型中最先进的定量性能,并生成定性令人信服的样本。
Nov, 2017
本文提出了一个基于深度生成模型的图像生成网络,结合卷积神经网络的归纳偏置和自回归的序列建模,通过多重领域特征的变量规范,设计了分布估计的 Gumbel 采样策略来提高图像的生成质量并克服于训练和推理过程中所产生的偏差和误差,取得了当前同类算法中最优秀的生成表现。
Jul, 2022
本文研究对抗样本的视觉质量,探讨了不同于传统 smoothing 的新型 smoothing 方式,即基于 Laplacian smoothing,并以白盒攻击的场景为基础,对不同攻击方式的效果进行了比较和评估,得到新方法在可感知噪音畸变情况下,成功率相对较高的结论。