得分高不代表生成模型好
原文中文,约400字,阅读约需1分钟。发表于: 。通过样本复杂性论证,我们在特定设置下展示了得分函数训练良好的情况下,SGM 只能输出训练数据点的高斯模糊样本,从而模拟核密度估计的效果,这与最近的研究结果一致,揭示了 SGM 展示出记忆效应并且无法生成的弱点。
本研究提出了一种基于分数生成模型的深度生成模型,通过评分估计和对数凹分布假设,在2-Wasserstein距离上保证了收敛性。实验结果表明,该模型在无条件图像生成方面表现优于现有模型。
通过样本复杂性论证,我们在特定设置下展示了得分函数训练良好的情况下,SGM 只能输出训练数据点的高斯模糊样本,从而模拟核密度估计的效果,这与最近的研究结果一致,揭示了 SGM 展示出记忆效应并且无法生成的弱点。
本研究提出了一种基于分数生成模型的深度生成模型,通过评分估计和对数凹分布假设,在2-Wasserstein距离上保证了收敛性。实验结果表明,该模型在无条件图像生成方面表现优于现有模型。