CVPRSep, 2017

通过多重网格建模和采样学习能量模型作为生成卷积神经网络

PDF
TL;DR本文提出了一种多网格方法，用于学习基于能量的图像生成 ConvNet 模型，展示了其在生成更逼真的图像方面优于原始的对比散度和连续对比散度。
multi-grid methodenergy-based generative convnet modelsprobabilistic modelmcmc samplingparameter updates
发现论文，激发创造
  • 描述者与生成器网络的协同训练

    本文研究了两个生成模型的协作训练，利用卷积神经网络 (ConvNets) 来进行图像建模和合成，并探究了如何将 MCMC 采样算法无缝地融入协作学习算法中，成功地实现了两个模型的同步训练，从而学习到高度真实的生成模型。

    Sep, 2016

  • 具有能量分布概率评估的深度有向生成模型

    本论文提出了一种利用生成对抗网络（GAN）和基于深度神经网络的生成模型来代替 MCMC 模型的方法，通过训练这种模型生成的采样分布近似匹配待训练的能量函数。

    Jun, 2016

  • 学习基于能量的时空生成性卷积神经网络以获取动态模式

    使用能量基础的时空生成 ConvNet 建立一个概率分布模型，可用于学习和合成存在于视频序列中的动态纹理和运动模式，该模型可从不完整的训练序列中学习和完成动态模式，并具有较好的生成能力。

    Sep, 2019

  • 生成型 ConvNet 的理论

    本文介绍了一种基于自编码器和多类别分类卷积神经网络的生成式 ConvNet 模型，该模型可以用于合成真实自然图像模式。

    Feb, 2016

  • 基于 MCMC 的最大似然能量模型学习解剖学

    本文研究了 Markov 链蒙特卡罗采样在无监督最大似然学习中的效果，发现使用 ConvNet 势函数训练的最小框架可以实现高质量的短时合成，同时使用正确的 Langevin 噪声调整可以实现长时稳定采样；但使用收敛困难的 MCMC 训练 ConvNet 将导致样本失真。

    Mar, 2019

  • 卷积神经网络的生成建模

    本文研究了 CNN 的生成建模和渐进预训练方法，并提出了一种基于重要性采样的生成梯度和一种采样图像的可视化方法，实验证明这些方法能够有效提高 CNN 性能并生成真实且多样化的图像样本。

    Dec, 2014

  • 生成 VoxelNet：学习基于能量的模型进行 3D 形状合成与分析

    本论文提出了一种基于能量的深度 3D 模型来表示体积形状，可实现高质量 3D 图案生成和数据特征提取，并能应用于对象恢复和超分辨率。

    Dec, 2020

  • Generative PointNet：基于深度能量的无序点集学习，用于 3D 生成，重建和分类

    本研究提出了一种基于能量的无序点集生成模型，通过 MCMC 最大似然学习来训练模型，并且不需要手工定义距离的度量标准来产生点云。该模型可以用于点云分类和插值。

    Apr, 2020

  • 能量基生成对抗网络的校准

    本文提出了一种在生成对抗网络中产生直接能量估计样本的方法，并证明该方法不仅可以确保生成器收敛到真实数据分布，而且还能使辨别器在全局最优时保留密度信息。我们推导出所引入解决方案的解析形式，并分析其性质。为了使所提出的框架在实践中可训练，我们引入了两种有效的近似技术。实验结果与理论分析紧密匹配，证明辨别器能够恢复数据分布的能量。

    Feb, 2017

  • 能量基模型中的隐式生成和泛化

    本文介绍了一些在连续神经网络上训练 MCMC 的能量基础模型的技术，在许多高维度数据域上，如 ImageNet 和 CIFAR-10, 它们的样本表现优于其他可能性模型，并接近当代生成对抗网络 GAN 的表现，同时覆盖所有数据模态。此外，作者还阐述了基于 EBM 的独特能力，如组合性和损坏图像的重建和修复，最后证明 EBMs 模型是跨多种任务有用的模型，进而实现了最先进的超出分布分类、对抗性稳健分类、在线连续类学习和连续长期预测轨迹

    Mar, 2019