原標(biāo)題：何愷明ResNet級神作，分形生成模型計(jì)算效率狂飆4000倍！清華校友一作
文章來源：新智元
內(nèi)容字?jǐn)?shù)：10734字

何愷明團(tuán)隊(duì)提出分形生成模型：AI圖像生成新范式

近年來，人工智能圖像生成領(lǐng)域取得了顯著進(jìn)展。然而，現(xiàn)有模型在高分辨率逐像素建模方面仍面臨計(jì)算效率低下的挑戰(zhàn)。近日，何愷明團(tuán)隊(duì)重磅推出“分形生成模型”（fractal generative models），為AI圖像生成開辟了新的范式。

1. 分形之美與AI的結(jié)合

大自然中蘊(yùn)含著豐富的分形結(jié)構(gòu)，例如雪花、樹枝等。分形結(jié)構(gòu)具有自相似性，即局部結(jié)構(gòu)與整體結(jié)構(gòu)相似。何愷明團(tuán)隊(duì)受到自然界分形結(jié)構(gòu)的啟發(fā)，將分形概念引入AI圖像生成模型。該模型采用遞歸結(jié)構(gòu)，通過遞歸調(diào)用原子生成模塊構(gòu)建，形成自相似的分形架構(gòu)，類似于人類大腦神經(jīng)網(wǎng)絡(luò)的模塊化遞歸結(jié)構(gòu)。

2. 模塊化與分而治之的策略

該模型的核心思想是“分而治之”。它將生成模型本身作為一個(gè)模塊，遞歸地構(gòu)建更高級的生成模型。這種模塊化設(shè)計(jì)使得模型能夠高效地處理高維數(shù)據(jù)。具體而言，模型將圖像劃分為多個(gè)patch，并遞歸地對這些patch進(jìn)行建模。每個(gè)生成模塊內(nèi)部包含更小的生成模塊，逐層細(xì)化，最終實(shí)現(xiàn)逐像素建模。

3. 顯著提升計(jì)算效率

相比于傳統(tǒng)的逐像素建模方法，分形生成模型在計(jì)算效率上實(shí)現(xiàn)了顯著提升。在生成256×256分辨率圖像時(shí)，其計(jì)算成本僅為傳統(tǒng)方法的兩倍，計(jì)算效率提升了4000倍。這使得高分辨率逐像素建模成為可能。

4. 實(shí)驗(yàn)結(jié)果驗(yàn)證模型有效性

研究人員在ImageNet數(shù)據(jù)集上進(jìn)行了廣泛的實(shí)驗(yàn)，結(jié)果表明，分形生成模型在似然估計(jì)、保真度、多樣性和生成質(zhì)量等方面均取得了優(yōu)異的成績。在256×256分辨率的圖像生成任務(wù)中，該模型實(shí)現(xiàn)了較高的圖像質(zhì)量和較低的計(jì)算成本。

5. 條件逐像素預(yù)測與未來展望

此外，該模型還能夠進(jìn)行條件逐像素預(yù)測，例如圖像修復(fù)、外延和類別條件編輯等任務(wù)。這種逐像素生成的方式也使得生成過程更易于理解和控制。未來，該模型有望在視覺內(nèi)容創(chuàng)作、建筑設(shè)計(jì)和藥物發(fā)現(xiàn)等領(lǐng)域得到廣泛應(yīng)用。

6. 團(tuán)隊(duì)介紹

該研究由MIT CSAIL的黎天鴻、孫沁怡、范力杰以及何愷明教授共同完成。何愷明教授及其團(tuán)隊(duì)在深度學(xué)習(xí)領(lǐng)域做出了諸多杰出貢獻(xiàn)，包括ResNet、Faster R-CNN和Mask R-CNN等。

總而言之，何愷明團(tuán)隊(duì)提出的分形生成模型，是AI圖像生成領(lǐng)域的一次重大突破。它不僅提高了計(jì)算效率，也為構(gòu)建更強(qiáng)大、更具適應(yīng)性的AI系統(tǒng)提供了新的思路。

聯(lián)系作者

文章來源：新智元
作者微信：
作者簡介：智能+中國主平臺，致力于推動(dòng)中國從互聯(lián)網(wǎng)+邁向智能+新紀(jì)元。重點(diǎn)關(guān)注人工智能、機(jī)器人等前沿領(lǐng)域發(fā)展，關(guān)注人機(jī)融合、人工智能和機(jī)器人對人類社會(huì)與文明進(jìn)化的影響，領(lǐng)航中國新智能時(shí)代。