至少一个实施例涉及用于执行和促进人工智能的处理资源。例如,至少一个实施例涉及用于根据本文描述的各种新技术训练神经网络的处理器或计算系统。
背景技术:
1、生成模型(generative model)越来越多地用于生成图像内容。然而,这些模型中的许多都遇到了可控生成问题,例如高计算成本。例如,用于实现可控生成的各种方法训练条件模型,其中在训练期间指定语义属性,但从头开始为新属性训练条件模型的计算量很大,因此难以将新属性引入现有模型。此外,许多方法在组合生成方面遇到困难,特别是在罕见的属性组合方面。这种缺陷限制了它们在许多下游任务中的适用性,例如减少数据偏差以及异常检测。
技术实现思路
1.一种处理器,包括:
2.如权利要求1所述的处理器,其中所述一个或更多个图像是使用未针对所述动态可配置属性训练的一个或更多个无条件生成神经网络生成的。
3.如权利要求1所述的处理器,其中所述一个或更多个电路进一步用于:
4.如权利要求3所述的处理器,其中所述一个或更多个电路进一步用于将所述分布从所述图像空间转移到潜在空间,以输入到一个或更多个生成神经网络用于生成所述一个或更多个图像。
5.如权利要求4所述的处理器,其中所述一个或更多个电路进一步用于利用常微分方程(ode)来对与所述分布相对应的所述潜在空间的区域进行采样。
6.如权利要求5所述的处理器,其中所述一个或更多个电路进一步用于至少部分地基于从与所述分布相对应的所述潜在空间的所述区域中采样的特征来生成所述一个或更多个图像。
7.一种系统,包括:
8.如权利要求7所述的系统,其中所述一个或更多个图像是使用未针对所述动态可配置属性训练的一个或更多个无条件生成神经网络生成的。
9.如权利要求7所述的系统,其中所述一个或更多个处理器还用于:
10.如权利要求9所述的系统,其中所述一个或更多个处理器进一步用于将所述分布从所述图像空间转移到潜在空间,以输入到一个或更多个生成神经网络用于生成所述一个或更多个图像。
11.如权利要求10所述的系统,其中所述一个或更多个处理器进一步用于利用常微分方程(ode)来对与所述分布相对应的所述潜在空间的区域进行采样。
12.如权利要求11所述的系统,其中所述一个或更多个处理器进一步用于至少部分地基于从与所述分布相对应的所述潜在空间的所述区域中采样的特征来生成所述一个或更多个图像。
13.一种方法,包括:
14.如权利要求13所述的方法,其中所述一个或更多个图像是使用未针对所述动态可配置属性训练的一个或更多个无条件生成神经网络生成的。
15.如权利要求13所述的方法,还包括:
16.如权利要求15所述的方法,还包括:
17.如权利要求16所述的方法,还包括:
18.如权利要求17所述的方法,还包括:
19.一种机器可读介质,其上存储有一组指令,所述指令如果由一个或更多个处理器执行,则使所述一个或更多个处理器至少:
20.如权利要求19所述的机器可读介质,其中所述一个或更多个图像是使用未针对所述动态可配置属性训练的一个或更多个无条件生成神经网络生成的。
21.如权利要求19所述的机器可读介质,其中所述指令如果被执行,则进一步使所述一个或更多个处理器:
22.如权利要求21所述的机器可读介质,其中所述指令如果被执行,则进一步使所述一个或更多个处理器:
23.如权利要求22所述的机器可读介质,其中所述指令如果被执行,则进一步使所述一个或更多个处理器:
24.如权利要求23所述的机器可读介质,其中所述指令如果被执行,则进一步使所述一个或更多个处理器:
25.一种图像生成系统,包括:
26.如权利要求25所述的图像生成系统,其中所述一个或更多个图像是使用未针对所述动态可配置属性训练的一个或更多个无条件生成神经网络生成的。
27.如权利要求25所述的图像生成系统,其中所述一个或更多个处理器进一步用于:
28.如权利要求27所述的图像生成系统,其中所述一个或更多个处理器进一步用于将所述分布从所述图像空间转移到潜在空间,以输入到一个或更多个生成神经网络用于生成所述一个或更多个图像。
29.如权利要求28所述的图像生成系统,其中所述一个或更多个处理器进一步用于利用常微分方程(ode)来对与所述分布相对应的所述潜在空间的区域进行采样。
30.如权利要求29所述的图像生成系统,其中所述一个或更多个处理器进一步用于至少部分地基于从与所述分布相对应的所述潜在空间的所述区域中采样的特征来生成所述一个或更多个图像。