「PW Live」是 PaperWeekly 的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。

本期 PW Live，我们邀请到旷视研究院基础模型组实习生王毅，为大家带来用于条件图像生成的注意力归一化的主题分享。

对本期主题感兴趣的小伙伴，5 月 19 日（周二）晚 7 点，我们准时相约 PaperWeekly B 站直播间。

分享提纲

传统的基于卷积的生成对抗网络通过层次性的局部操作来合成图像，即其中的长程依赖关系是用马尔可夫链建模的。我们认为这种建模方式不足以用于生成具有复杂结构的图像类别。

在本文中，我们对基于实例归一化的进行扩展，用注意力归一化（attentive normalization）来描述长程依赖。具体而言，我们根据输入特征图的内部语义相似度将其软划分为几个区域，并分别对不同区域进行归一化。该操作增强了具有语义对应关系的遥远区域之间的一致性。

与自注意力对抗生成网络（self-attention GAN）相比，我们的注意力归一化不需要测量所有位置的相关性，因此可以直接应用于大尺度特征图而无需太多计算负担。我们在根据语义标签的条件图像生成（class-conditional image generation）和语义修复（semantic inpainting）的实验证明了我们提出的模块在客观和视觉评估方面的有效性。

本次分享的具体内容有：

• 基于对抗网络的条件图像生成简介和自注意力方法

• 注意力归一化方法介绍

• 该方法的实验结果

嘉宾介绍

 王毅 / 旷视研究院基础模型组实习生 

王毅，旷视研究院基础模型组实习生，香港中文大学计算机科学与工程系博士在读。研究方向为计算机视觉和机器学习，主要包括图像生成，计算摄影学，在 CVPR，NIPS 等会议发表多篇论文。

直播地址 & 交流群

本次直播将在 PaperWeekly B 站直播间进行，扫描下方海报二维码或点击阅读原文即可免费观看。线上分享结束后，嘉宾还将在直播交流群内实时 QA，在 PaperWeekly 微信公众号后台回复「PW Live」，即可获取入群通道。

B 站直播间：

https://live.bilibili.com/14884511

合作伙伴

????

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。