A powerful Generative Model Using Random Weights for the Deep Image Representation

---

A Powerful Generative Model Using Random Weights

for the Deep Image Representation

Kun He

∗

,

Yan Wang

†

Department of Computer Science and Technology

Huazhong University of Science and Technology, Wuhan 430074, China

[e-mail], [e-mail]

John Hopcroft

Department of Computer Science

Cornell University, Ithaca 14850, NY, USA

[e-mail]

Abstract

To what extent is the success of deep visualization due to the training? Could

we do deep visualization using untrained, random weight networks? To address

this issue, we explore new and powerful generative models for three popular deep

visualization tasks using untrained, random weight convolutional neural networks.

First we invert representations in feature spaces and reconstruct images from white

noise inputs. The reconstruction quality is statistically higher than that of the same

method applied on well trained networks with the same architecture. Next we

synthesize textures using scaled correlations of representations in multiple layers

and our results are almost indistinguishable with the original natural texture and

the synthesized textures based on the trained network. Third, by recasting the

content of an image in the style of various artworks, we create artistic images with

high perceptual quality, highly competitive to the prior work of Gatys et al. on

pretrained networks. To our knowledge this is the first demonstration of image

representations using untrained deep neural networks. Our work provides a new

and fascinating tool to study the representation of deep network architecture and

sheds light on new understandings on deep visualization. It may possibly lead to a

way to compare network architectures without training.

1

Introduction

In recent years, Deep Neural Networks (DNNs), especially Convolutional Neural Networks (CNNs),

have demonstrated highly competitive results on object recognition and image classification [1, 2, 3, 4].

With advances in training, there is a growing trend towards understanding the inner working of these

deep networks. By training on a very large image data set, DNNs develop a representation of images

that makes object information increasingly explicit at various levels of the hierarchical architecture.

Significant visualization techniques have been developed to understand the deep image representations

on trained networks [5, 6, 7, 8, 9, 10, 11].

Inversion techniques have been developed to create synthetic images with feature representations

similar to the representations of an original image in one or several layers of the network. Feature

representations are a function Φ of the source image x

0

. An approximate inverse Φ

−1

is used to

∗

The three authors contributing equally.

†

Corresponding author.

30th Conference on Neural Information Processing Systems (NIPS 2016), Barcelona, Spain.

---

construct a new image x from the code Φ(x

0

) by reducing some statistical discrepancy between

Φ(x) and Φ(x

0

). Mahendran et al. [7] use the pretrained CNN AlexNet [2] and define a squared

Euclidean loss on the activations to capture the representation differences and reconstruct the image.

Gatys et al. [8, 12] define a squared loss on the correlations between feature maps of some layers

and synthesize natural textures of high perceptual quality using the pretrained CNN called VGG [3].

Gatys et al. [13] then combine the loss on the correlations as a proxy to the style of a painting and the

loss on the activations to represent the content of an image, and successfully create artistic images

by converting the artistic style to the content image, inspiring several followups [14, 15]. Another

stream of visualization aims to understand what each neuron has learned in a pretrained network

and synthesize an image that maximally activates individual features [5, 9] or the class prediction

scores [6]. Nguyen et al. further try multifaceted visualization to separate and visualize different

features that a neuron learns [16].

Feature inversion and neural activation maximization both start from a white noise image and calculate

the gradient via backpropagation to morph the white noise image and output a natural image. In

addition, some regularizers are incorporated as a natural image prior to improve the visualization

quality, including α−norm [6], total variation [7], jitter [7], Gaussian blur [9], data-driven patch

priors [17], etc. The method of visualizing the feature representation on the intermediate layers sheds

light on the information represented at each layer of the pretrained CNN.

A third set of researchers trains a separate feed-forward CNN with deconvolutional layers using

representations or correlations of the feature maps produced in the original network as the input and

the source image as the target to learn the inversion of the original network. The philosophy is to

train another neural network to inverse the representation and speedup the visualization on image

reconstruction [10, 18], texture synthesis [19] or even style transfer [15]. Instead of designing a

natural prior, some researchers incorporate adversarial training [20] to improve the realism of the

generated images [18]. Their trained deconvolutional network could give similar qualitative results as

the inversion technique does and is two or three orders of magnitude faster, as the previous inversion

technique needs a forward and backward pass through the pretrained network. This technique is

slightly different from the previous two in that it does not focus on understanding representations

encoded in the original CNN but on the visualization of original images by training another network.

It is well recognized that deep visualization techniques conduct a direct analysis of the visual in-

formation contained in image representations, and help us understand the representation encoded

at the intermediate layers of the well trained DNNs. In this paper, we raise a fundamental issue

that other researchers rarely address: Could we do deep visualization using untrained, random

weight DNNs? What kind of deep visualization could be applied on random weight DNNs?

This would allow us to separate the contribution of training from the contribution of the net-

work structure. It might even give us a method to evaluate deep network architectures without

spending days and significant computing resources in training networks so that we could com-

pare them. Also, it will be useful not to have to store the weights, which can have significant

impact for mobile applications. Though Gray et al. demonstrated that the VGG architecture with

random weights failed in generating textures and resulted in white noise images in an experiment

indicating the trained filters might be crucial for texture generation [8], we conjecture the success

of deep visualization mainly originates from the intrinsic nonlinearity and complexity of the deep

network hierarchical structure rather than from the training, and that the architecture itself may

cause the inversion invariant to the original image. Gatys et al.’s unsuccessful attempt on the texture

synthesis using the VGG architecture with random weights may be due to their inappropriate scale of

the weighting factors.

To verify our hypothesis, we try three popular inversion tasks for visualization using the CNN

architecture with random weights. Our results strongly suggest that this is true. Applying inversion

techniques on the untrained VGG with random weights, we reconstruct high perceptual quality

images. The results are qualitatively better than the reconstructed images produced on the pretrained

VGG with the same architecture. Then, we try to synthesize natural textures using the random weight

VGG. With automatic normalization to scale the squared correlation loss for different activation

layers, we succeed in generating similar textures as the prior work of Gatys et al. [8] on well-trained

VGG. Furthermore, we continue the experiments on style transfer, combining the content of an image

and the style of an artwork, and create artistic imagery using random weight CNN.

2

---

To our knowledge this is the first demonstration of image representations using untrained deep neural

networks. Our work provides a new and fascinating tool to study the perception and representation of

deep network architecture, and shed light on new understandings on deep visualization. Our work

will inspire more possibilities of using the generative power of CNNs with random weights, which

do not need long training time on multi-GPUs. Furthermore, it is very hard to prove why trained

deep neural networks work so well. Based on the networks with random weights, we might be able

to prove some properties of the deep networks. Our work using random weights shows a possible

way to start developing a theory of deep learning since with well-trained weights, theorems might be

impossible.

2

Methods

In order to better understand the deep representation in the CNN architecture, we focus on three

tasks: inverting the image representation, synthesizing texture, and creating artistic style images.

Our methods are similar in spirit to existing methods [7, 8, 13]. The main difference is that we

use untrained weights instead of trained weights, and we apply weighting factors determined by a

pre-process to normalize the different impact scales of different activation layers on the input layer.

Compared with purely random weight CNN, we select a random weight CNN among a set of random

weight CNNs to get slightly better results.

For the reference network, we choose VGG-19 [3], a convolutional neural network trained on the

1.3 million-image ILSVRC 2012 ImageNet dataset [1] using the Caffe-framework [22]. The VGG

architecture has 16 convolutional and 5 pooling layers, followed by 3 fully connected layers. Gatys

et al. re-train the VGG-19 network using average pooling instead of maximum pooling, which they

suggest could improve the gradient flow and obtain slightly better results [8]. They only consider

the convolutional and pooling layers for texture synthesis, and they rescale the weights such that the

mean activation of each filter over the images and positions is 1. Their trained network is denoted as

VGG

in the following discussion. We adopt the same architecture, replacing the weights with purely

random values from a Gaussian distribution N (0, σ). The standard deviation, σ, is set to a small

number like 0.015 in the experiments. The VGG-based random weight network created as described

in the following subsection is used as our reference network, denoted as ranVGG in the following

discussion.

Inverting deep representations.

Given a representation function F

l

: R

H×W ×C

→ R

N

l

×M

l

for

the l

th

layer of a deep network and F

l

(x

0

) for an input image x

0

, we want to reconstruct an image x

that minimizes the L

2

loss among the representations of x

0

and x.

x

∗

=

argmin

x∈R

H×W ×C

L

content

(x, x

0

, l) =

argmin

x∈R

H×W ×C

ω

l

2N

l

M

l

F

l

(x) − F

l

(x

0

)

2

2

(1)

Here H and W denote the size of the image, C = 3 the color channels, and ω

l

the weighting factor.

We regard the feature map matrix F

l

as the representation function of the l

th

layer which has N

l

× M

l

dimensions where N

l

is the number of distinct feature maps, each of size M

l

when vectorised. F

l

ik

denotes the activation of the i

th

filter at position k.

The representations are a chain of non-linear filter banks even if untrained random weights are applied

to the network. We initialize the pre_image with white noise, and apply the L_BFGS gradient descent

using standard error backpropagation to morph the input pre_image to the target.

x

t+1

= x

t

−

∂L(x, x

0

, l)

∂F

l

∂F

l

∂x

x

t

(2)

∂L(x, x

0

, l)

∂F

l

i,k

x

t

=

ω

l

N

l

M

l

(F

l

(x

t

) − F

l

(x

0

))

i,k

(3)

The weighting factor ω

l

is applied to normalize the gradient impact on the morphing image x. We use

a pre-processing procedure to determine the value of ω

l

. For the current layer l, we approximately

calculate the maximum possible gradient by Equation (4), and back propagate the gradient to the

input layer. Then we regard the reciprocal of the absolute mean gradient over all pixels and RGB

channels as the value of ω

l

such that the gradient impact of different layers is approximately of the

same scale. This normalization doesn’t affect the reconstruction from the activations of a single layer,

3

---

but is added for the combination of content and style for the style transfer task.

1

ω

l

=

1

W HC

W

i=1

H

j=1

C

k=1

∂L(x

0

, x , l)

∂x

i,j,k

F

l

(x )=0

(4)

To stabilize the reconstruction quality, we apply a greedy approach to build a “stacked" random

weight network ranVGG based on the VGG-19 architecture. Select one single image as the reference

image and starting from the first convolutional layer, we build the stacked random weight VGG by

sampling, selecting and fixing the weights of each layer in forward order. For the current layer l,

fix the weights of the previous l − 1 layers and sample several sets of random weights connecting

the l

th

layer. Then reconstruct the target image using the rectified representation of layer l, and

choose weights yielding the smallest loss. Experiments in the next section show our success on the

reconstruction by using the untrained, random weight CNN, ranVGG.

Texture synthesis.

Can we synthesize natural textures based on the feature space of an untrained

deep network? To address this issue, we refer to the method proposed by Gatys et al.[8] and use the

correlations between feature responses on each layer as the texture representation. The inner product

between pairwise feature maps i and j within each layer l, G

l

ij

=

k

F

l

ik

F

l

jk

, defines a gram matrix

G

l

= F

l

(F

l

)

T

. We seek a texture image x that minimizes the L

2

loss among the correlations of the

representations of several candidate layers for x and a groundtruth image x

0

.

x

∗

=

argmin

x∈R

H×W ×C

L

texture

=

argmin

x∈R

H×W ×C

l∈L

µ

l

E(x, x

0

, l),

(5)

where the contribution of layer l to the total loss is defined as

E(x, x

0

, l) =

1

4N

2

l

M

2

l

G

l

(F

l

(x)) − G

l

(F

l

(x

0

))

2

2

.

(6)

The derivative of E(x, x

0

, l) with respect to the activations F

l

in layer l is [8]:

∂E(x, x

0

, l)

∂F

l

i,k

=

1

N

2

l

M

2

l

{(F

l

(x))

T

[G

l

(F

l

(x)) − G

l

(F

l

(x

0

))]}

i,k

(7)

The weighting factor µ

l

is defined similarly to ω

l

, but here we use the loss contribution E(x, x

0

, l) of

layer l to get its gradient impact on the input layer.

1

µ

l

=

1

W HC

W

i

H

j

C

k

∂E(x

0

, x , l)

∂x

i,j,k

F

l

(x )=0

(8)

We then perform the L_BFGS gradient descent using standard error backpropagation to morph the

input image to a synthesized texture image using the untrained ranVGG.

Style transfer.

Can we use the untrained deep network to create artistic images? Referring to the

prior work of Gatys et al.[13] from the feature responses of VGG trained on ImageNet, we use an

untrained VGG and succeed in separating and recombining content and style of arbitrary images.

The objective requires terms for content and style respectively with suitable combination factors. For

content we use the method of reconstruction on medium layer representations, and for style we use

the method of synthesising texture on some lower through higher layer representation correlations.

Let x

c

be the content image and x

s

the style image. We combine the content of the former and the

style of the latter by optimizing the following objective:

x

∗

=

argmin

x∈R

H×W ×C

αL

content

(x, x

c

) + βL

texture

(x, x

s

) + γR(x)

(9)

Here α and β are the contributing factors for content and style respectively. We apply a regularizer

R(x), total variation(TV) [7] defined as the squared sum on the adjacent pixel’s difference of x, to

encourage the spatial smoothness in the output image.

3

Experiments

This section evaluates the results obtained by our model using the untrained network ranVGG

3

.

3

https://github.com/mileyan/random_weights

4

---

The input image is required to be of size 256 × 256 if we want to invert the representation of the fully

connected layers. Else, the input could be of arbitrary size.

Inverting deep representations.

We select several source images from the ILSVRC 2012 chal-

lenge [1] validation data as examples for the inversion task, and choose a monkey image as the

reference image to build the stacked ranVGG (Note that using other image as the reference image

also returns similar results). As compared with the inverting technique of Mahendran et al. [7], we

only consider the Euclidean loss over the activations and ignore the regularizer they used to capture

the natural image prior. ranVGG contains 19 layers of random weights (16 convolutional layers and 3

fully connected layers), plus 5 pooling layers. Mahendran et al. use a reference network AlexNet [2]

which contains 8 layers of trained weights (5 convolutional layers and 3 fully connected layers), plus

3 pooling layers.

Figure 1 shows that we reach higher perceptive reconstructions. The reason may lie in the fact

that the VGG architecture uses filters with a small receptive field of 3 × 3 and we adopt average

pooling. Though shallower than VGG, their reference network, AlexNet, adopts larger filters and

uses maximum pooling, which makes it harder to get images well inverted and easily leads to spikes.

That’s why they used regularizers to polish the reconstructed image. Figure 2 shows more examples

(house, flamingo, girl).

Figure 3 shows the variations on an example image, the girl. As compared with the VGG with purely

random weights, ranVGG (the VGG with stacked random weights) exhibits lower variations and

lower reconstruction distances. As compared with the trained VGG, both stacked ranVGG and VGG

with purely random weights exhibit lower reconstruction distance with lower variations. ranVGG

demonstrates a more stable and high performance for the inversion task and is slightly better than an

purely random VGG. So we will use ranVGG for the following experiments.

To compare the convergence of ranVGG and VGG, Figure 4 shows the loss (average Euclidean

distance) along the gradient descent iterations on an example image, the house. The reconstruction

converges much quicker on ranVGG and yields higher perceptual quality results. Note that the

reconstruction on VGG remains the same even if we double the iteration limits to 4000 iterations.

Texture synthesis.

Figure 5 shows the textures synthesized by our model on ranVGG for several

natural texture images (fifth row) selected from a texture website

4

and an artwork named Starry

Night

by Vincent van Gohn 1989. Each row of images was generated using an increasing number

of convolutional layers to constrain the gradient descent. conv1_1 for the first row, conv1_1 and

conv2_1 for the second row, etc (the labels at each row indicate the top-most layer included). The

joint matching of conv1_1, conv2_1, and con3_1 (third row) already exhibits high quality texture

representations. Adding one more layer of conv4_1 (fourth row) could slightly improve the natural

textures. By comparison, results of Gatys et al.[8] on the trained VGG using four convolutional layers

up to conv4_1 are as shown at the bottom row.

Our experiments show that with suitable weighted factors, calculated automatically by our method,

ranVGG could synthesize complex natural textures that are almost indistinguishable with the original

texture and the synthesized texture on the trained VGG. Trained VGG generates slightly better

textures on neatly arranged original textures (cargo at the second column of Figure 5).

Style transfer.

We select conv2_2 as the content layer, and use the combination of conv1_1,

conv2_1, ..., conv5_1 as the style. We set the ratio of α : β : γ = 100 : 1 : 1000 in the experiments.

We first compare our style transfer results with the prior work of Gatys et al.[13] on several well-

known artworks for the style: Starry Night by Vincent van Gohn 1989, Der Schrei by Edward Munch

1893, Picasso by Pablo Picasso 1907, Woman with a Hat by Henri Matisse 1905, Meadow with

Poplars

by Claude Monet 1875. As shown in Figure 6, the second row, by recasting the content of a

university image in the style of the five artworks, we obtain different artistic images based on the

untrained ranVGG (second row). Our results are comparable to their work [13] on the pretrained

VGG (third row), and are in the same order of magnitude. They have slightly smoother lines and

textures which may attributed to the training. We further try the content and style combination on

some Chinese paintings and scenery photographs, as shown in Figure 7, and create high perceptual

artistic Chinese paintings that well combine the style of the painting and the content of the sceneries.

4

http://www.textures.com/

5

---

Ours

on

ranV

GG

Ours

on

V

GG

[7]

on

Ale

xNet

pool1

pool2

pool3/conv3

pool4/conv4

pool5

Figure 1: Reconstructions from layers of ranVGG (top) and the pretrained VGG (middle) and

[7] (bottom). As AlexNet only contains 3 pooling layers, we compare their results on conv3 and

conv4 with ours on pool3 and pool4. Our method on ranVGG demonstrates a higher perceptive

quality, especially on the higher layers. Note that VGG is much deeper than AlexNet even when we

compare on the same pooling layer.

pool1

pool3

pool5

ranVGG

VGG

ranVGG

VGG

ranVGG

VGG

Figure 2: Reconstructions from different pooling layers of the untrained ranVGG and the

pretrained VGG. ranVGG demonstrates a higher perceptive quality, especially on the higher layers.

The pretrained VGG could rarely reconstruct even the contours from representations of the fifth

pooling layer.

Figure 3: Variations in samples on the girl image, with maxi-

mum, minimum, mean and quartiles.

Figure 4: Reconstruction quali-

ties of conv5_1 during the gradi-

ent descent iterations.

6

---

con

v1_1

con

v2_1

con

v3_1

con

v4_1

original

trained

con

v4_1

Camouflage

Cargo

Floors

Flowers

Leaves

Nigh Starry

Figure 5: Generated textures using random weights. Each row corresponds to a different pro-

cessing stage in ranVGG. Considering only the lowest layer, conv1_1, the synthesised textures are

of lowest granularity, showing very local structure. Increasing the number of layers on which we

match the texture representation (conv1_1 plus conv2_1 for the second row, etc), we have higher

organizations of the previous local structure. The third row and the fourth row show high-quality

synthesized textures of the original images. The lowest row corresponds to the result of using the

trained VGG to match the texture representation from conv1_1, conv2_1 conv3_1 and conv4_1.

Original

Ours

on

ranV

GG

[13]

on

V

GG

Starry Night

Der Schrei

Photograph

Picasso Woman with a Hat

Meadow with Poplars

Figure 6: Artistic style images of ours on the untrained ranVGG (medium row) and of Gatys

et al.[8] on the pretrained VGG (bottom row). We select a university image (first row, center) and

several well-known artworks for the style (first row, others images). The third column under the

photograph are for the Picasso. We obtain similar quality results as compared with Gatys et al.[13].

7

---

Chinese painting

Photograph

Created image

Figure 7:

Style transfer of Chinese paintings on the untrained ranVGG. We select several

Chinese paintings for the style (first column), including The Great Wall by Songyan Qian 1975,

a painting of anonymous author and Beautiful landscape by Ping Yang. We select the mountain

photographs (second column) as the content images. The created images performed on the untrained

ranVGG are shown in the third column, which seem to have learned how to paint the rocks and clouds

from paintings of the first column and transfer the style to the content to “draw” Chinese landscape

paintings.

4

Discussion

Our work offers a testable hypothesis about the representation of image appearance based only on

the network structure. The success on the untrained, random weight networks on deep visualization

raises several fundamental questions in the area of deep learning. Researchers have developed many

visualization techniques to understand the representation of well trained deep networks. However, if

we could do the same or similar visualization using an untrained network, then the understanding

is not for the training but for the network architecture. What is the difference of a trained network

and a random weight network with the same architecture, and how could we explore the difference?

What else could one do using the generative power of untrained, random weight networks? Explore

other visualization tasks in computer vision developed on the well-trained network, such as image

morphing [23], would be a promising aspect.

Training deep neural networks not only requires a long time but also significant high performance

computing resources. The VGG network, which contains 11-19 weight layers depending on the

typical architecture [3], takes 2 to 3 weeks on a system equipped with 4 NVIDIA Titan Black GPUs

for training a single net. The residual network ResNet, which achieved state-of-the-art results in

image classification and detection in 2015 [4], takes 3.5 days for the 18-layer model and 14 days for

the 101-layer model using 4 NVIDIA Kepler GPU.

5

Could we evaluate a network structure without

taking a long time to train it? There are some prior works to deal with this issue but they deal with

much shallow networks [21]. In future work, we will address this issue by utilizing the untrained

network to attempt to compare networks quickly without having to train them.

Acknowledgments

This research work was supported by US Army Research Office(W911NF-14-1-0477) and

National Science Foundation of China(61472147) and National Science Foundation of Hubei

Province(2015CFB566).

5

http://torch.ch/blog/2016/02/04/resnets.html

8

---

References

[1] Olga Russakovsky, Jia Deng, Hao Su, Jonathan Krause, Sanjeev Satheesh, Sean Ma, Zhiheng Huang,

Andrej Karpathy, Aditya Khosla, Michael Bernstein, Alexander C. Berg, and Li Fei-Fei. ImageNet Large

Scale Visual Recognition Challenge. International Journal of Computer Vision, 115(3):211–252, 2015.

[2] Alex Krizhevsky, Ilya Sutskever, and Geoffrey E. Hinton. Imagenet classification with deep convolutional

neural networks. In NIPS, pages 1097–1105, 2012.

[3] K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition. In

ICLR

, 2015.

[4] Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. Deep residual learning for image recognition.

In CVPR, 2016.

[5] Dumitru Erhan, Yoshua Bengio, Aaron Courville, and Pascal Vincent. Visualizing higher-layer features of

a deep network. University de Montreal Technical Report 4323, 2009.

[6] Karen Simonyan, Andrea Vedaldi, and Andrew Zisserman. Deep inside convolutional networks: Visualising

image classification models and saliency maps. In ICLR, 2014.

[7] Aravindh Mahendran and Andrea Vedaldi. Understanding deep image representations by inverting them.

In CVPR, pages 5188–5196, 2015.

[8] Leon A. Gatys, Alexander S. Ecker, and Matthias Bethge. Texture synthesis using convolutional neural

networks. In NIPS, pages 262–270, May 2015.

[9] Jason Yosinski, Jeff Clune, Anh Nguyen, Thomas Fuchs, and Hod Lipson. Understanding neural networks

through deep visualization. In Deep Learning Workshop at ICML, 2015.

[10] Alexey Dosovitskiy and Thomas Brox. Inverting visual representations with convolutional networks. In

CVPR

, pages 4829–4837, 2016.

[11] Anh Nguyen, Jason Yosinski, and Jeff Clune. Deep neural networks are easily fooled: High confidence

predictions for unrecognizable images. In CVPR, 2015.

[12] L. A. Gatys, A. S. Ecker, and M. Bethge. Texture synthesis and the controlled generation of natural stimuli

using convolutional neural networks. arXiv:1505.07376, 2015.

[13] Leon A Gatys, Alexander S Ecker, and Matthias Bethge.

A neural algorithm of artistic style.

arXiv:1508.06576

, 2015.

[14] Yaroslav Nikulin and Roman Novak. Exploring the neural algorithm of artistic style. arXiv:1602.07188,

2016.

[15] Justin Johnson, Alexandre Alahi, and Li Fei-Fei. Perceptual losses for real-time style transfer and

super-resolution. In ECCV, 2016.

[16] Anh Mai Nguyen, Jason Yosinski, and Jeff Clune. Multifaceted feature visualization: Uncovering the

different types of features learned by each neuron in deep neural networks. arXiv:1602.03616, 2016.

[17] Donglai Wei, Bolei Zhou, Antonio Torralba, and William T. Freeman. Understanding intra-class knowledge

inside CNN. arXiv:1507.02379, 2015.

[18] Alexey Dosovitskiy and Thomas Brox. Generating images with perceptual similarity metrics based on

deep networks. In NIPS, 2016.

[19] Dmitry Ulyanov, Vadim Lebedev, Andrea Vedaldi, and Victor Lempitsky. Texture networks: Feed-forward

synthesis of textures and stylized images. In ICML, 2016.

[20] Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron

Courville, and Yoshua Bengio. Generative adversarial nets. In NIPS, pages 2672–2680, 2014.

[21] Andrew Saxe, Pang W Koh, Zhenghao Chen, Maneesh Bhand, Bipin Suresh, and Andrew Y Ng. On

random weights and unsupervised feature learning. In ICML, pages 1089–1096, 2011.

[22] Yangqing Jia, Evan Shelhamer, Jeff Donahue, Sergey Karayev, Jonathan Long, Ross Girshick, Sergio

Guadarrama, and Trevor Darrell. Caffe: Convolutional architecture for fast feature embedding. In

Proceedings of the ACM International Conference on Multimedia, ACM

, pages 675–678, 2014.

[23] Jacob R. Gardner, Paul Upchurch, Matt J. Kusner, Yixuan Li, Kilian Q. Weinberger, and John E. Hopcroft.

Deep manifold traversal: Changing labels with convolutional features. arXiv:1511.06421, 2015.

9