本文提出一种方法,将变分自编码器和生成对抗网络与扩散映射相结合,创建了一个继承扩散映射渐近保证的生成模型,同时保持深度模型的可扩展性。
May, 2019
本研究提出了一种基于 Riemannian geometry 的扩展的变分自编码器框架,可以学习平面的潜在流形,通过约束优化问题和使用更具表达力的层次先验代替紧凑先验,使得在保留直线状方法的计算效率的同时,能够在视频跟踪基准测试中接近监督学习方法的性能。
Feb, 2020
本文提出一种基于非线性流形统计学的技术,可在低维非线性表示学习的潜空间中实现数据的统计分析,并通过训练神经网络来近似描述数据流形的黎曼度量。
May, 2018
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
研究了深度生成模型所学习的流形的黎曼几何,并提出了计算测地线和沿流形路径平行传递切向量的算法,发现这些模型学习的流形近似于零曲率,并探讨了这种现象的实际影响。
Nov, 2017
通过在来自聚合近似后验的有限样本图中找到最短路径,我们提出了一种解决高维空间中数据相似性计算的方法,并在图像数据的多个实验中进行了验证。
Dec, 2018
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
本文提出了一种流形匹配方法来生成模型,该方法包括分布生成器和度量生成器,通过学习距离度量来生成符合真实数据流形的样本,并且应用于无监督和有监督学习任务,得到了良好的效果。
Jun, 2021
提出了一种变分空间转换自编码器(VTAE),通过在 Riemann 流形上最小化测地线来改善表征学习,并提高计算机视觉任务的预测准确性和适用性,包括图像插值和重构。
Apr, 2023
通过将环境空间视为黎曼多维流形,可以利用相关的黎曼度量对领域知识进行编码,通过环境度量的仔细设计我们可以确保最短路径的行为表现良好,实验结果表明,我们的方法可以提高随机和确定性生成器的可解释性。
Aug, 2020