ICLRJun, 2017

深层生成模型的统一化

PDF
TL;DR本文介绍了针对生成模型学习中 GAN 和 VAEs 的新方法，并阐述了 GAN 和 VAEs 的相似性和差异性，探讨了它们的后验推理和 KL 散度的最小化问题，并将 VAEs 的 importance weighting 方法应用到 GAN 的学习中，同时采用对抗性机制加强 VAEs 模型，实验证明了这些方法的普适性和有效性。
generative adversarial networksvariational autoencodersposterior inferencekl divergenceimportance weighting method
发现论文，激发创造
  • 自动编码生成对抗网络的变分方法

    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

  • 对抗变分贝叶斯：统一变分自编码器和生成对抗网络

    介绍了 Adversarial Variational Bayes 技术，可以用于训练具有任意表达力的推理模型的变分自编码器，并将其与生成对抗网络建立起了原则上的联系。

    Jan, 2017

  • 使用隐式分布的变分推断

    本文综述了现有算法之间的联系，包括广泛使用的变分自编码器、以对抗方式学习的推断、运算符变分推断、基于生成式对抗网络的图像重建等，提出了新的算法框架，并基于密度比估计或去噪等方法展示了实际的推断算法。

    Feb, 2017

  • 变分推断中的分布匹配

    本文揭示了 Variational Autoencoders (VAEs) 的局限性，它们无法稳定地学习潜在空间和可见空间中的边缘分布，因为学习过程是通过匹配条件分布进行的。同时，文章通过大规模的评估 VAE-GAN 混合模型并分析类概率估计对分布学习的影响，得出 VAE-GAN 混合模型在可扩展性、评估和推理方面比 VAE 更加困难，无法提高 GAN 的生成质量。

    Feb, 2018

  • 针对具有鲁棒性的半监督学习的对抗变分嵌入

    我们提出了一种名为 AVAE 的新型对抗生成嵌入框架，该框架将 GAN 的高质量生成模型和 VAE 的后验分布学习器的优势相结合，用于半监督学习，并针对已有的问题进行改进。实践结果表明，我们的方法在半监督分类方面的表现优于现有的最先进模型。

    May, 2019

  • 熵生成对抗网络与变分自编码器相遇：计算 GAN 样本似然的统计方法

    通过构建一种显式的概率模型，将沃瑟斯坦 GANs 与熵正则化视为基于变分下界的生成模型，从而使得 GANs 和 VAEs 之间建立了有理论支持的联系。同时，作者还在多个数据集上计算了 GANs 的似然统计量，验证了该理论结果。

    Oct, 2018

  • 多对抗变分自编码网络

    介绍了 Multi-Adversarial Variational autoEncoder Networks (MAVENs) 网络结构，它是 VAE-GAN 网络的一个创新应用，在人工合成图像方面有很好的表现。

    Jun, 2019

  • 一种贝叶斯非参数方法的生成模型：使用 Wasserstein 和最大均值差异度集成变分自编码器和生成对抗网络

    对 GANs 和 VAEs 进行贝叶斯非参数方法的融合，使用 Wasserstein 和最大均值差异度量在损失函数中结合以学习潜在空间并生成多样且高质量的样本，实现在异常检测和数据增强等各种生成任务中卓越性能的新型模型，进一步通过在代码空间中引入额外的生成器来增强模型的能力，可用于各种应用的更强大的生成模型。

    Aug, 2023

  • 生成模型的对抗性示例

    本篇研究探索在变分自编码器（VAE）和 VAE-GAN 等深度生成模型中生成对抗性样本的方法，并提出了三种攻击方式来测试针对 MNIST、SVHN 和 CelebA 数据集训练的网络，分别利用基于分类的对手，直接利用 VAE 的损失函数生成重构图像，以及直接优化源和目标潜在表示之间的差异。

    Feb, 2017

  • 深度生成建模：VAEs、GANs、归一化流、能量基模型和自回归模型的比较综述

    本文介绍了深度生成模型的各种技术，并进行了对比、解释和回顾，包括基于能量、变分自编码器、生成对抗网络、自回归模型、归一化流、许多混合方法。

    Mar, 2021