生成模型的自适应密度估计

Jan, 2019

Adaptive Density Estimation for Generative Models

Thomas Lucas, Konstantin Shmelkov, Karteek Alahari, Cordelia Schmid, Jakob Verbeek

TL;DR该论文研究了无监督学习中生成模型的训练方法，提出了一种在对抗网络与似然训练之间进行混合训练的方法，其中使用深度可逆变换来解决概率和逆变换之间的冲突，实现了更好的生成样本和更高的似然性评估。

Abstract

unsupervised learning of generative models has seen tremendous progress over recent years, in particular due to generative adversarial networks (GANs), variational autoencoders, and flow-based models. GANs have d

unsupervised learning generative models hybrid adversarial-likelihood deep invertible transformations latent variable decoder

发现论文，激发创造

Flow-GAN：在生成模型中结合最大似然和对抗学习

通过混合训练方式，利用生成对抗网络以及精确似然估计评估方法，解决了最大似然训练无法评估生成质量的问题。

May, 2017

通过不变统计损失训练隐式生成模型

通过无判别器方法训练一维隐式生成模型，然后扩展到多元情况，成功地学习真实分布并解决现有隐式方法存在的问题。

Feb, 2024

隐式生成模型中的学习

本文介绍了生成对抗网络（GANs）的算法框架，将其与隐式生成模型的学习算法相联系，提出了基于密度比估计的方法并借此引导观察者更深层次地思考生成模型。

Oct, 2016

广义对抗学习推断

通过将 self-supervised feedback 引入到 GANs 的训练中，匹配多个随机变量元组的联合分布，以获得超出现有方法的更高应用性。

Jun, 2020

对抗消息传递用于图形模型

本文提出了将生成式对抗网络（GANs）视为隐式模型的一种方法，基于生成器和判别器的相互作用弱化了显式的似然值评估，从而在有向无环图的结构模型中实现了贝叶斯后验推理和模型学习。

Dec, 2016

对抗特征学习

通过设计 BiGANs 模型实现 GANs 的逆向学习与无监督特征学习以及其在辅助监督鉴别任务中的有效性。

May, 2016

使用隐式分布的变分推断

本文综述了现有算法之间的联系，包括广泛使用的变分自编码器、以对抗方式学习的推断、运算符变分推断、基于生成式对抗网络的图像重建等，提出了新的算法框架，并基于密度比估计或去噪等方法展示了实际的推断算法。

Feb, 2017

用高斯混合生成对抗网络来处理多样化数据集和图像的无监督聚类

本文提出了一种基于对抗生成网络的模型 GM-GAN，其中对概率分布进行了控制，使得模型在高维度多样化数据集上的表现得以提高，并在合成图像和真实数据集上进行了多次实验证明了该模型的性能等方面的优势。

Aug, 2018

GAN 的最佳精度

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

生成对抗网络的可能性估计

提出了一种简单的方法来评估生成对抗网络中生成的图像质量，通过定义与真实图像在鉴别器中的嵌入分布相关的高斯似然函数，并基于此定义两个简单的度量方式，从而得出一种适用于各种 GAN 的生成图像适应度的简单度量标准，CIFAR-10 上的实证结果证明了提出的度量和生成图像的质量之间的强相关性。

Jul, 2017