Jul, 2018

通过对抗正则化器理解和改善自编码器中的插值

PDF
TL;DR本文提出了一个鼓励自编码器进行中间值重构的惯化机制，并通过一个简单的基准测试任务和经验证明，表明我们的惯化机制极大地改善了在这种情况下的插值能力，并产生对下游任务更有效的潜在代码。
autoencoderscompressed representationsinterpolationregularizationlatent codes
发现论文，激发创造
  • 去噪对抗自编码器

    该研究论文介绍了一种结合去噪和正则化的对抗性自编码器方法，用于学习用于推理的有用表示，并通过实验验证其对于分类性能和样本合成的贡献。

    Mar, 2017

  • 对抗逼近自编码器用于图像生成和操作

    本文提出了一种新方法，即采用对抗逼近自动编码器（AAAE）来研究具有对抗逼近的潜在代码，从而提高重建质量并学习具有流形结构的潜在空间，同时不需要对潜在代码进行正则化。

    Feb, 2019

  • 生成对抗插值自编码：对隐空间插值的对抗训练鼓励凸隐分布

    本论文提出了一种基于 Autoencoder 和生成对抗网络的神经网络结构，通过在潜在空间插值的对抗训练，促进了一个凸的潜在分布。该模型的生成器和辨别器均使用了 AE，能够生成不模糊的样本，并且具有与原始图像相匹配的高低级特征，样本间的插值也能保持真实图像的潜在空间分布，因此保留了对输入图像的逼真相似性。

    Jul, 2018

  • 正则化自编码器从数据生成分布中学习

    本文探讨了利用正则化重建误差最小化的方法来捕捉数据密度和得分匹配的思想，从而实现对自编码器对于数据生成分布的学习和采样。

    Nov, 2012

  • 具有几何正则化的可扩展和可逆流形学习自编码器

    本文提出了一种基于自动编码器与流形学习结合的数据探索方法，利用几何正则化项鼓励学习得到的潜在表示沿着数据的内在几何结构发展，并与常规方法相比较，证明该方法在保留内在结构、扩展能力和数据重构方面具有优势

    Jul, 2020

  • 通过建模和预测标签结构来规范深度网络

    该研究构建了自定义正则化函数用于深度神经网络的监督训练，利用自动编码器得到正则化器，实现分段模型标签的训练，并在语义分割中展示了正则化策略对提高准确率的实验结果。

    Apr, 2018

  • 使用对抗自编码器实现图像中的稳健异常检测

    研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

    Jan, 2019

  • 过参数化自编码器训练数据的恢复：逆问题视角

    我们研究了从超参数化自编码器模型中恢复训练数据的方法，通过将退化的训练样本定义为逆问题，并将其作为优化任务进行建模，我们使用训练好的自编码器隐式地定义特定训练数据集的正则化器，然后将复杂的优化任务转化为一个实用的方法，该方法迭代地应用训练好的自编码器和相对简单的计算来估计和处理未知的退化操作器，并在盲目修复中取得重要成果，显著超越以往的自编码器训练数据恢复方法，在先前被认为是高度挑战乃至不切实际的情景中也大大提高了恢复性能。

    Oct, 2023

  • 广义去噪自编码器作为生成模型

    该研究提出了一种新的方法，能够在处理离散数据、任意形式的噪声和重构损失、同时去除偏差等方面更好地连接正则化自编码器的训练过程和对潜在生成分布的隐式估计。

    May, 2013

  • 在高斯 - 勒让德节点下，由于潜在空间正则化，确保自动编码器压缩时的拓扑数据结构保持

    我们提出了一种基于数据无关的潜在空间正则化约束，用于一对一重新嵌入初始数据流形到其潜在表示。通过神经网络的正则化，我们实现了拓扑保持，从 FashionMNIST 数据集到 MRI 脑部扫描等真实世界的编码问题，这种正则化技术可以提供可靠的复杂高维数据的低维表示。

    Sep, 2023