Nov, 2017

通过混合因素来分解变化因素

HTML
PDF
TL;DR本文提出了一种不依赖于手动标注或数据领域知识的学习图像表示的方法，其实现了图像属性解离因素，其中每个因素代表一个一致的图像属性，这种解离后的特征可以应用于多种领域，例如将特定属性从一个图像转移到另一个图像、基于一个或多个属性进行分类或检索。这种方法中的自动编码器架构包括两个新的训练目标：不变性目标和分类目标，以确保每个特征块的编码对于其他属性是固定不变的，同时对于一致可辨的属性，避免出现完全被忽略的特征映射。实验验证了该方法在MNIST、Sprites和CelebA数据集上的有效性。
发现论文，激发创造
  • 使用对抗训练解缠混合因素的深度表达

    我们提出了一种有条件的生成模型，用于学习将标记的观察结果的隐藏变化因素分离并分解成互补代码，实验结果表明该方法能够推广到未见过的类别和内类别变异。

    Nov, 2016

  • 解开独立变化因素的挑战

    本文研究了如何使用自编码器模型来解决因素糾纏問題，並通過在圖像對和三元組之間施加約束來訓練它。在實驗中，我們證明了此模型可以成功地在多個數據集上轉移屬性，但也存在參照模糊的情況。

    Nov, 2017

  • 一种用对抗神经张量方法学习分离表示的方法

    本文提出了一种无监督的深度学习方法来分离在野外拍摄的脸部图像中的多个潜在变化因素，其中多个潜在变化因素的乘法交互通过多线性（张量）结构明确地建模。该方法学习了面部表情和姿态的分离表示，可用于各种应用，包括面部编辑，以及三维面部重建和面部表情、身份和姿态的分类。

    Nov, 2017

  • 因式分解解开纠缠

    我们提出了一种被称为FactorVAE的方法，它可以无监督地学习从独立变化因素生成的数据中发现因素解耦的表示，并通过提供更好的解耦和重构质量之间的平衡得到改进。此外，我们还介绍了一个新的解耦评估度量，并阐明了常用的解耦评估度量存在的问题。

    Feb, 2018

  • 学习分离的联合连续和离散表征

    本文提出了一种框架来无监督地学习清晰而可解释的连续和离散化的表示形式，通过增加变分自动编码机的连续潜在分布，并控制每个潜在单元中编码的信息量，展示了如何自动地从数据中发现连续和分类变化因素。实验结果显示，该框架在各种数据集上对连续和离散的生成因素进行了区分，并在离散生成因素突出时优于当前的 disentangling 方法。

    Mar, 2018

  • 通过循环一致变分自编码器分离变异因素

    本文提出了一种使用弱监督来将潜在空间分离成两个互补子空间的新架构，使用变分自编码器中的循环一致性，获得鼓舞人心的结果，并与利用对抗训练的最近作品进行了比较。

    Apr, 2018

  • 无监督基于部件的物体形状和外观解耦

    提出了一种基于无监督学习的方法，通过学习物体的不同特征，如表现和形状，来实现特征的分离和表示，并使用等变约束进行训练，适用于任意类别，并在各种任务中表现优异。

    Mar, 2019

  • 一幅图片胜过千言万语：朝着野外图像解缠趋势迈进

    通过有限的监督训练，结合图像描述符技术（CLIP），在真实图像数据中标注和区分不同的变化因素，从而实现图像的去操纵处理。

    Jun, 2021

  • 监督学习中高效表示识别

    本文针对非线性独立成分分析的负面结果, 试图研究在没有条件独立性的辅助信息下如何实现解缠以及如何减少需要的辅助信息量。在一类模型中，我们证明理论上和实验上都可以实现解缠，即使辅助信息的维度远小于真实潜在表示的维度。

    Apr, 2022

  • 利用稀疏和共享特征激活进行分离式表征学习

    本文提出了一种基于多任务学习的有监督编码器，该编码器通过一个广泛的、多样化的有监督任务来学习一个共同的解缠表示，以从高维数据中恢复潜在因素的变化。该方法在多个真实情况下进行了验证，包括图像和文本数据等不同数据形式。

    Apr, 2023