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
本文研究了流形值潜变量的使用,特别是连续可微的对称群(李群)的情况,展示了如何通过将再参数化技巧扩展到紧连李群来构造带有李群潜变量的变分自编码器,并通过实验展示了匹配潜在数据流形拓扑结构的流形值潜变量对于保留拓扑结构和学习良好的潜空间至关重要。
Jul, 2018
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
本文提出了一种新型的 Variational Autoencoder with Learned Latent Structure(VAELLS)模型,该模型融合了可学习的流形模型,使得先验分布与数据流形匹配,并允许定义潜在空间中的生成变换路径,同时尝试在已知潜在结构的情况下进行验证,并展示了该模型在现实世界数据集上的性能。
Jun, 2020
采用扩散模型集成编码器和无条件扩散模型的得分函数,消除了 VAE 图像模糊的问题,并显著提高了性能。
本文提出一种混合曲率变分自编码器,可以在常数曲率的黎曼流形上训练,其中每个组件的曲率可以是固定或可学习的,将欧几里得变分自编码器推广到曲线潜空间,并在组件的曲率接近 0 时恢复欧几里得空间。
Nov, 2019
本文利用 Poincaré 球模型的超几何结构作为潜变量空间,研究了 VAE 在这个空间的运用,该方法在嵌套数据结构下表现出色,并展现了超几何结构对于 VAE 的优越性。
Jan, 2019
本文提出了在潜空间上采用 Riemannian 结构和 Riemannian Brownian motion 先验来代替传统高斯先验,从而提高 Variational Autoencoder 的模型能力。
Feb, 2020
提出了一种新的生成框架 DiffuseVAE,它将 VAE 与扩散建模框架相结合,为扩散模型提供了低维的 VAE 学习到的潜在代码,从而能够用于控制合成等下游任务,并且在速度与质量的平衡方面比标准无条件 DDPM / DDIM 模型要好,同时表现出与最先进的模型可比的综合质量,还显示出天生的对不同类型的噪声具有泛化能力。
Jan, 2022
研究证明变分自编码器和其条件扩展在多个领域可以达到最新成果,小样本图像中具有低维曼诺尔性质的特殊数据,其复杂行为仍不为人所知晓,本文从数据分布的角度出发,通过实验证明变分自编码器的全局最小值可以学习到正确的曼诺尔维度,在这个前提下讨论了更普适的条件扩展以适应不同数据分布的情况。
Feb, 2023