Sep, 2016

生成网络的采样

PDF
TL;DR介绍了几种用于采样和可视化生成模型的潜在空间的技术，包括通过球面线性插值代替线性插值以防止背离模型先验分布并生成更清晰的样本，使用 J-Diagrams 和 MINE grids 可视化类比和最近邻创造的流形，提出使用数据复制的偏差校正向量和使用数据增广的合成向量来推导属性向量的两种新技术，提出使用属性向量进行二元分类以支持潜在空间的定量分析，这些技术大多数都是独立于模型类型的，演示了变分自编码器和生成对抗网络的示例。
latent spacesgenerative modelsspherical linear interpolationattribute vectorsquantitative analysis
发现论文，激发创造
  • 深层生成模型的度量标准

    通过将 Riemannian 几何的思想应用到该领域，我们提出了一种基于最短路径计算的距离度量方法，可以获得基于原则的距离度量，提供深度生成模型的视觉检查工具和运动泛化工具。

    Nov, 2017

  • 散射变换下基于对抗生成网络的反问题

    本研究使用 Lipschitz 连续的 embedding 以及 wavelet Scattering transform 计算深度卷积生成网络，不需要被鉴别器或编码器优化，并且具有类似 GAN 或 VAE 的属性。

    May, 2018

  • 反演生成对抗网络的生成器

    通过先前训练好的 GAN 模型，将图像投影到潜在空间中以获取表示，我们可以在 MNIST 任务和 Omniglot 任务中成功地保留数字和字符的信息，这种方法可以应用于一次性学习。

    Nov, 2016

  • 深度生成图像模型的几何学及其应用

    本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制，并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量，这一方法可以有效地优化潜在空间的优化等应用，并便于解释变换维度。

    Jan, 2021

  • GAN 的最佳精度

    研究深度生成模型的潜在空间几何结构及优化条件，通过实验提出限制方法，提高生成对抗网络的性能。

    Jul, 2022

  • 无需视角监督的多视角数据生成

    提出了一种基于无监督多视图生成模型的条件变体，可在高维空间中生成各种物体的逼真样本，相比于其他条件生成方法，我们不会对变差因素做任何假设，不需要视图的监督。

    Nov, 2017

  • 一种用于医学应用的生成模型潜空间中的隐私保护行走

    使用生成对抗网络（GANs）生成的样本能够匹配目标分布，在解决隐私问题时，我们提出了一种潜空间导航策略，以生成多样化的合成样本，支持深度模型的有效训练，并在原则性上解决隐私问题。我们的方法借助辅助身份分类器作为导航引导，在潜空间中非线性地游走，从而降低与真实样本的近重复冲突的风险。我们实验证明，相比于线性插值，使用我们的游走策略可以更安全地指引任意两点之间的路径。我们将这种策略与 k-same 方法相结合，在结核病和糖尿病视网膜病变分类的两个基准测试中，通过使用我们的方法生成的样本进行模型训练，我们成功缓解了性能下降问题，同时保护数据隐私。

    Jul, 2023

  • 利用高斯化的潜空间改善 StyleGAN 中的反演和生成多样性

    本文研究了生成式对抗网络中的潜在向量空间中数据分布模型，提出了一个简单的高斯先验模型，用于规范图像向潜在空间的映射，这样生成的图像更加平滑和稳定，同时维持多样性和减少生成图像中的伪像。

    Sep, 2020

  • 生成模型的自适应密度估计

    该论文研究了无监督学习中生成模型的训练方法，提出了一种在对抗网络与似然训练之间进行混合训练的方法，其中使用深度可逆变换来解决概率和逆变换之间的冲突，实现了更好的生成样本和更高的似然性评估。

    Jan, 2019

  • 深度生成模型曲率之异空间奇异性

    本研究提出了一种新的生成模型架构，可以更好地解决深度生成模型中潜在空间中的非线性扭曲问题，并提高了概率分布、采样算法和聚类效果。

    Oct, 2017