从最优输运的角度看 GAN 和 VAE
本文以优化传输问题为基础,研究了无监督生成建模,并使用惩罚最优传输(POT)目标来有效地最小化该问题。作者发现,AAE 中的目标与 POT for the 2-Wasserstein distance 相同,并与其他流行技术如 VAE 进行了比较。作者的理论结果包括更好地理解 VAEs 生成图像的模糊度以及建立 Wasserstein GAN 和 POT for the 1-Wasserstein distance 之间的对偶关系。
May, 2017
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。
Jun, 2017
本文介绍了新兴的生成对抗网络 -- 优化输运生成对抗网络,提升了图像生成模型的稳定性和生成效果,主要特点是利用 adversarially learned feature space 来定义 mini-batch energy distance 度量优化目标,在多个经典 image generation benchmark test 中达到了最好的性能表现。
Mar, 2018
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
本文介绍了一种新的基于生成对抗网络的优化输运模型,使用 $2$-Wasserstein 距离度量判别器的目标函数,证明了在训练期间,生成器沿着初始和目标分布之间的 $W_2$- 测地线走,最终重现出最优映射,在低维和高维连续设置中进行验证,并证明其在图像数据上的性能优于以前的方法。
Jun, 2019
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
本研究提出了基于最优输运理论(OT)的耦合变分自编码器 (C-VAE) 来克服常规变分自编码器的先验不完整问题,实验结果表明 C-VAE 在保证数据保真度、潜在向量质量以及生成样本质量方面优于常规 VAE、WAE 和 InfoVAE。
Jun, 2023