基于条件逆神经网络的多样化图像到图像转换

May, 2021

基于条件逆神经网络的多样化图像到图像转换

Conditional Invertible Neural Networks for Diverse Image-to-Image Translation

Lynton Ardizzone, Jakob Kruse, Carsten Lüth, Niels Bracher, Carsten Rother...

TL;DR介绍了一种新的结构，称为条件可逆神经网络（cINN），并将其用于解决自然图像的多样化图像到图像的转化任务。cINN 结合了纯生成 INN 模型和一个无限制的前馈网络，有效地将调节图像预处理为最大信息特征。通过最大似然优化，稳定地联合优化 cINN 的所有参数。利用双向 cINN 结构，进一步探索和操作潜在空间的新兴属性，例如以直观的方式更改图像风格。

Abstract

We introduce a new architecture called a conditional invertible neural network (cINN), and use it to address the task of diverse image-to-image translation for natural images. This is not easily possible with existing INN models due to some fundamental limitations. The cINN combines the purely generative INN model with an unconstrained feed-forward network,

conditional invertible neural network image-to-image translation inn-based models maximum likelihood-based training bidirectional cinn architecture

发现论文，激发创造

条件可逆神经网络辅助图像生成

通过使用一种新的网络模型，即条件可逆神经网络，我们可以对特定条件下的自然图像生成进行有效的前处理，以便于训练出不会出现模式崩溃并生成多样化图像的模型。同时，我们利用双向 cINN 架构探索和操作潜在空间的新特性，例如通过直观方式改变图像风格。

Jul, 2019

可逆条件 GAN 用于图像编辑

本文对条件生成对抗网络进行研究和评估，采用编码器来反向映射 cGAN，可重建和修改真实图像，这种结合方式被称为可逆 cGAN，可对真实图像进行复杂的确定性修改。

Nov, 2016

使用 cINNs 的随机图像到视频合成

通过使用条件可逆神经网络来独立地建模静态内容和其他视频特征，从而为受控视频合成奠定基础。在四个不同的视频数据集上进行的实验表明，该方法在合成结果的质量和多样性方面都具有很好的效果。

May, 2021

可逆神经网络中爆炸反演的理解和缓解

本文研究了可逆神经网络的数值稳定性，发现常用结构存在逆爆炸现象及无法逆运算等问题，针对不同问题提出了逆问题的解决方法，证明了构建稳定可逆神经网络是重要的。

Jun, 2020

可生成可逆的量子神经网络

我们提出了一种量子门算法，称为量子可逆神经网络（QINN），并将其应用于 LHC 数据中的粒子对撞机精密测量的标准参考过程 - 带有衰变到轻子的 Z - 玻色子的喷注相关产生。我们在不同损失函数和训练场景下比较了 QINN 的表现，并发现在此任务中，混合量子可逆神经网络与学习和生成复杂数据方面性能相当于一个显著更大的纯经典可逆神经网络。

Feb, 2023

条件图像翻译

本文研究了一种新的有条件的图像翻译方法，并基于 GAN 和双学习处理了无成对数据的问题。实验结果表明该方法有效。

May, 2018

利用可逆神经网络分析逆问题

本文探讨了逆问题的数学定义，提出了一种称为 Invertible Neural Networks (INNs) 的神经网络模型，利用预定义的正向过程和额外的 latent output variables 来解决参数估计问题，并在人工数据和实际问题中发现 INN 是解决参数分布分析、寻找多模态和相关性较强的关键性分析工具。

Aug, 2018

深度神经网络的高效在线处理

本论文致力于提高神经网络的效率，提出了连续推理网络（CIN），它通过自下而上的计算重新组织和适度的架构修改来改善其在线处理效率，并采用 CIN 重构了几种广泛使用的网络架构，包括 3D CNN，ST-GCN 和 Transformer Encoders。另外，通过使用熔接适配器网络和结构修剪，本论文还达到了在使用较少的学习权重的情况下实现卓越的预测准确性的目的。

Jun, 2023

条件幂等生成网络

我们提出了条件幂等生成网络（CIGN），这是一种新颖的方法，扩展了幂等生成网络（IGN）以实现条件生成。CIGN 通过引入条件机制来解决 IGN 的限制，使用户能够控制生成数据的内容。我们在理论上建立了 CIGN 的基础，概述了其范围、损失函数设计和评估指标。然后，我们提出了两种潜在的用于实现 CIGN 的架构：通道条件和滤波器条件。最后，我们讨论了在 MNIST 数据集上的实验结果，展示了这两种方法的有效性。我们的研究结果为进一步探索在更大的数据集和更强大的计算资源上进行 CIGN 的优化实现策略铺平了道路。

Jun, 2024

ECINN: 可逆神经网络实现高效反事实生成

本文提出了一种名为 ECINN 的方法，利用可逆神经网络的生成能力为图像分类生成反事实示例并扩展为生成热力图。与竞争方法相比，ECINN 有一个封闭形式表达式且仅需两次评估便能有效地生成反事实示例，实验结果证明了 ECINNh 比已有的基于热力图的方法表现更好。

Mar, 2021