Jan, 2019

空间广播解码器: VAE 中学习解耦表示的简单架构

PDF
TL;DR使用空间广播解码器（Spatial Broadcast decoder）的神经渲染架构有助于 VAE 学习分开表示，提高了解缠绕，重建准确性和泛化能力，并提供了一种实用的可视化学习空间的方法。
neural rendering architecturevariational autoencodersdisentangled representationsspatial broadcast decoderdata representations
发现论文，激发创造
  • 离散序列自编码器

    这篇论文介绍了一种针对高维时序数据（如视频或音频）的 VAE 模型架构，学习了数据的潜在表示，可以近似地分解潜在的时间相关特征（动态）和随时间保持不变的特征（内容），从而进行内容和动态的部分控制，并给出了在人工生成的卡通视频片段和声音记录上的实验证据，进一步论证了随机 RNN 模型相对于确定性 RNN 对长序列的压缩与生成的效率更高的假设。

    Mar, 2018

  • 使用 Spatial-VAE 明确区分图像内容和平移旋转

    提出了一种基于 VAE 框架的显式分离图像旋转和平移的方法，并将其约束在只表示旋转和平移的潜在因素上，证明这种空间 - VAE 框架可以有效地学习潜在表示，改进标准 VAE 在多个基准数据集上的重构能力。

    Sep, 2019

  • 神经离散表征学习

    本文提出了一种简单而强大的生成模型，学习离散表示，可以生成高质量的图像、视频和语音，同时进行说话人转换和音素无监督学习。

    Nov, 2017

  • 学习解缠离散表示

    通过将标准的高斯变分自编码器（VAE）替换为量身定制的分类变分自编码器，我们探究了离散潜变量空间与解耦表示之间的关系。我们展示了分类分布的基础网格结构可以减轻与多变量高斯分布相关的旋转不变性问题，并作为解耦表示的高效先验。我们提供了分析和经验证据表明，离散 VAE 在学习解耦表示方面的优势。此外，我们引入了第一个偏向于解耦表示的无监督模型选择策略。

    Jul, 2023

  • 引导式变分自编码器用于分离式学习

    设计一种算法 Guided-VAE，通过提供信号来实现 VAE 的潜在编码 / 嵌入，以学习可控的生成模型，该算法在表示学习，合成 / 采样改进，分类中取得了更好的效果

    Apr, 2020

  • 半监督深度生成模型学习分离表示

    该研究提出了一种使用图形模型和深度神经网络架构的变分自编码器，能够学习到不同的表示形式，进一步实现半监督学习，其生成的能力和区分能力也得到了充分验证。

    Jun, 2017

  • 可传递信息理论及其在深度生成模型中的应用

    本文介绍了一种基于控制先验和层次结构的基于变分自编码器 (SemafoVAE) 来实现分离表示和生成高质量图像的方法。

    Mar, 2022

  • 使用 C-VAEs 重构时空数据

    本文提出在烧毁的森林火灾数据集上使用条件变分自编码器（C-VAE）模型来生成连续的、平滑的、现实的移动区域代表，与手动注释的数据结果相比，该方法表现出竞争性的几何相似性度量，在时间保持一致性方面也表现出更好的表现。

    Jul, 2023

  • 多层变分自编码器：从分组观察中学习解耦表示

    提出了 Multi-Level Variational Autoencoder 用于学习语义上相关并解耦的潜变量表示，将工作集中在组别和个体水平上的同时保持高效的测试时推理，以便对相关变量进行无监督控制。

    May, 2017

  • 利用解缠结构图自编码器学习网络表示

    我们介绍了 “解缠图自编码器” 和 “解缠变分图自编码器”（DGA 和 DVGA）的方法，其利用生成模型学习解缠表示，通过设计多通道信息传递层的解缠图卷积网络作为编码器，以及引入在不同潜在因素上的独立性约束，我们的方法在合成和真实数据集上实验表明其优越性。

    Feb, 2024