图12.1 红色表示要预测的像素点,蓝色表示已知的像素点
图12.3 两种掩码方式 mask A 和 mask B
图12.5 不使用掩码卷积的结果
图12.6 使用掩码卷积的结果
图12.7 mask A 连接示例
图12.8 Pixel 卷积过程-得到 a
图12.9 Pixel 的卷积核
图12.10 Pixel 卷积过程-得到 b
图12.11 Pixel 卷积过程-得到 e
图12.12 Pixel 卷积过程-得到 q
图12.13 q 处的像素取决于除了 j 、 n 、 o之外的所有先前预测的像素。青色像素不用于q 的预测。也就是说,PixelCNN 存在盲点问题
图12.14 行LSTM
图12.15 PixelCNN、行 LSTM、对角线 BiLSTM 比较
图12.16 对角线 BiLSTM 为了允许沿着对角线平行化,通过相对于前一行偏离每一行一个位置而使输入图偏斜
图12.18 使用 CIFAR-10 和 ImageNet 32×32 数据集训练角线 BiLSTM 模型,并从中采样得到的样本
图12.19 门 PixelCNN 分解结构图
图12.20 从条件 PixelCNN 中生成的类-条件样本
图12.21 PixelVAE 模型利用 PixelCNN 来模拟 VAE 的自回归解码器
图12.23 PixelGAN 自编码器的框架