PixelGAN 自编码器
本文提出了 “对抗自编码器”(AAE),它是一个概率自编码器,使用最近提出的生成对抗网络 (GAN) 通过匹配自编码器的隐藏代码向量的聚合后验分布与任意先验分布来执行变分推断。匹配聚合后验分布和先验保证从先验空间的任何部分生成都会产生有意义的样本。结果,对抗自编码器的解码器学习了一种深度生成模型,将所施加的先验映射到数据分布。我们展示了对抗自编码器如何在半监督分类,图像风格和内容分离,无监督聚类,降维和数据可视化等应用中使用。我们在 MNIST、Street View 房屋号码和 Toronto Face 数据集上进行了实验,并展示了对抗性自编码器在生成建模和半监督分类任务中取得了有竞争力的结果。
Nov, 2015
本研究提出了一种基于多个潜在代码和自适应通道重要性的方案,称为 mGANprior,该方案利用准确训练的生成对抗网络模型的有效先验来改善图像重构质量,在图像处理中具有广阔的应用前景。
Dec, 2019
本篇论文提供了一个新的原则,即利用生成模型的层次结构将自编码器与生成对抗网络相结合,以防止学习到的生成模型中的模式崩溃,并使用区分器学习合成可能性和隐式后验分布。
Jun, 2017
本文介绍了一种名为感知生成自编码器的新型生成模型。该模型通过将生成的和目标分布映射到一个潜空间中,并用具有理论依据的数据和潜空间重构损失同时在数据空间和隐空间中强制同步,从而能够在无限制的神经网络体系结构和任意数量的潜在维度上推广可逆生成模型的思想,并且在样本质量方面显著优于传统自编码器和其他基于自编码器的生成模型。
Jun, 2019
PixelVAE++ 是一种结合了 VAE 和 PixelCNN++ 的新型生成模型,可在保留潜变量信息的同时学习图像的全局和局部结构,并在 MNIST、Omniglot、CIFAR-10 数据集中实现了最先进的性能。
Aug, 2019
这篇论文提出了 PixelVAE,这是一种基于 PixelCNN 的 VAE 模型,可以高效地捕获大型结构和保留压缩的潜在表示,适用于无监督学习的挑战。
Nov, 2016
本研究使用基于 PixelCNN 架构的新图像密度模型探索了有条件的图像生成技术。模型可以以任何的向量作为条件,包括描述性标签或标记或其他网络产生的潜在嵌入向量。当以来自 ImageNet 数据库的类标签作为条件时,模型能够生成多样化、逼真的场景。同时,研究还证明了该模型可以作为强大的自编码器解码器,且具有比 PixelRNN 更高的性能且计算成本更低。
Jun, 2016
本文提出了一种基于变分自编码器和神经自回归模型的简单但原则性的方法来学习全局表示,该方法允许对全局潜在特征进行控制,通过设计相应的架构,可以迫使全局潜在特征丢弃 2D 图像纹理等无关信息,并且通过利用自回归模型作为潜在分布和解码分布,可以大大提高 VAE 的生成建模性能,实现了 MNIST、OMNIGLOT 和 Caltech-101 Silhouettes 密度估计任务的新的最先进结果。
Nov, 2016
研发了一种新型变分自编码器,采用 Deep Generative Deconvolutional Network 作为潜在图像特征的解码器,采用卷积神经网络作为图像编码器,支持建模带标签 / 标题的图像;在测试时,通过对分布的平均来预测标签 / 标题。
Sep, 2016