为什么承认架构中的偏见是关键？

本文最初发表于 Towards Data Science 博客，经原作者 Mastafa Foufa 授权，InfoQ 中文站翻译并分享。

在本文中，我们想要关注一个特定的模型。最近发布了 Face-Depixelizer 模型，该模型基于《PULSE：通过生成模型的潜在空间探索实现对自监督照片上的采样》（PULSE: Self-Supervised photo upsampling via latent space exploration of generative models）。该模型可以从像素化的版本输出原始图片。更为严格地说，它将输出最接近已知的去像素化图像。

图 1：(x32) 输入（顶部）向上采样到 SR 图像（中间），而 SR 图像则缩小（底部）到原始图像。来源：原始论文

按照GitHub 仓库上的描述，给定一个低分辨率的输入图像，Face-Depixelizer 将通过搜索生成模型（此例为StyleGAN）的输出，来寻找具有真实感且适当缩小尺寸的高分辨率图像。

更为准确地说，正如这篇论文中所揭示的那样：“该方法使用了一个预训练生成模型来生成图像，该模型近似于所考虑的自然图像的分布。对于给定的输入 LR 图像，我们遍历由生成模型生成的潜在空间参数化的流形，以找到适当缩小尺寸的区域。通过这一过程，我们找到了适当缩小尺度的真实图像的示例，如图 1 所示。”