EGC：前向传播分类，后向传播生成

​

学习使用同一组网络参数进行图像分类和图像生成是一个具有挑战性的问题。最近的先进方法在一项任务中表现良好，但在另一项任务中表现不佳。本文介绍了一种能量基分类器和生成器，即EGC，它可以使用单个神经网络在两个任务中实现优越的性能。

与传统的分类器不同，传统分类器在给定图像时输出一个标签（即条件分布），EGC中前向传递是一个输出联合分布的分类器，通过边缘化标签实现其后向传递中的图像生成。这是通过在前向传递中估计给定噪声图像的分类概率，同时在后向传递中使用得分函数进行去噪来实现的。EGC在ImageNet-1k、CelebA-HQ和LSUN Church等基准数据集上取得了具有竞争力的图像生成结果，同时在CIFAR-10上实现了较高的分类精度和对抗攻击的鲁棒性。本文是第一次尝试使用单个网络参数集在两个任务中同时取得卓越表现。我们相信EGC可以弥合区别性和生成性学习之间的差距。

总结：

本文提出了一种新的能量基模型（EGC），用于同时进行图像生成和分类。该模型通过对每个图像分配特定的能量值，从而能够将生成和分类两个任务统一起来。与以往的方法相比，EGC模型具有更好的泛化能力，并且可以产生更逼真的生成图片。同时，EGC还可以同时进行无监督和监督学习，使其具有更广泛的适用性。实验结果表明，EGC在多个基准数据集上表现出色，这表明该模型的有效性和实用性。

标题：EGC: Image Generation and Classification via a Single Energy-Based Model

作者：Qiushan Guo     Chuofan Ma     Yi Jiang     Zehuan Yuan     Yizhou Yu     Ping Luo

项目：https://guoqiushan.github.io/egc.github.io/

​Read More