Apr, 2019

通过匹配感知特征学习隐式生成模型

PDF
TL;DR通过使用预训练的卷积神经网络中提取的感知特征，我们提出了一种新的 MM 方法来学习隐式生成模型，避免了对抗学习中出现的问题，并在多个基准测试中获得了最先进的结果。
perceptual featuresgenerative modelsmoment matchingpretrained convnetsstate-of-the-art
发现论文，激发创造
  • 通过特征匹配学习隐式文本生成

    这篇论文介绍了一种针对序列数据的 GFMN 算法，具有稳定性和较好的效果，适用于无条件文本生成、条件文本生成和无监督文本样式转换。

    May, 2020

  • 生成时刻匹配网络

    本文研究使用多层感知器、最大均值差异等统计假设检验技术来训练生成对抗网络，并与自编码器网络相结合，以产生比基准方法更优秀的 MNIST 和 Toronto Face Database 的生成模型。

    Feb, 2015

  • DFM: 深度特征匹配性能基准

    本文提出了一种新颖的图像匹配方法，利用预先训练的 VGG 神经网络提取图像特征，在首次较好的几何转换估计后，再以分层的方式重复运用该方法，达到良好的本地化和匹配性能。该算法在 Hpatches 数据集上达到了 0.57 和 0.80 的平均匹配准确性分数，表现优于现有技术。

    Jun, 2021

  • 条件生成的矩匹配网络

    本研究提出了条件生成矩匹配网络 (CGMMN)，基于条件最大均值差距 (CMMD) 标准，学习给定一些输入变量的条件分布，学习采用随机梯度下降，梯度通过反向传播计算。我们在广泛的任务上评估了 CGMMN，包括预测建模、上下文生成和贝叶斯暗知识，这些任务通过学习相对较小的 CGMMN 学生网络从贝叶斯模型中提炼知识。结果表明，在所有任务中都具有竞争性的性能。

    Jun, 2016

  • 通过广义相似度度量和特征学习进行跨领域视觉匹配

    本论文提出了一种新的成对相似度测量模型，该模型通过将传统线性投影扩展为仿射变换，并将仿射马氏距离和余弦相似度融合为数据驱动的组合，结合特征表示学习和深度卷积神经网络，实现了端到端的模型优化，在多个跨域匹配任务中测试并取得了优于其他现有方法的结果。

    May, 2016

  • 用生成匹配网络实现生成模型的快速适应

    我们开发了一种基于 “匹配网络” 的新生成模型 Generative Matching Network，该模型通过在额外输入数据集的条件下学习新的概念，无需使用广泛推理过程进行训练或适应，且在可用的更多附加数据的情况下显着提高了预测性能，优于现有的最先进条件生成模型。

    Dec, 2016

  • 使用学习的矩方法学习隐式生成模型

    本论文提出了一种 Moment Estimation 的算法来训练规模大的 Implicit Generative Models，即 Method of Learned Moments (MoLM)。通过引入 Moment Network，以及使用渐近理论来确定 Moment Estimation 中需要优化的关键性质，MoLM 可以训练出高质量的神经图像生成模型。

    Jun, 2018

  • 关于特征标准化和数据增强

    本文提出了 Moment Exchange 方法，它是一种隐式数据增强方法，通过替换学习特征的矩和插值目标标签，强制模型从矩中提取训练信号来利用矩的信息，从而在多个识别基准数据集上提高高度竞争性基线网络的泛化能力。

    Feb, 2020

  • 改进的 DDIM 采样与矩匹配高斯混合模型

    使用高斯混合模型（GMM）作为 Denoising Diffusion Implicit Models（DDIM）框架中的反向转换操作符（核），通过约束 GMM 的参数来匹配 DDPM 前向边际的一阶和二阶中心矩。通过 FID 和 IS 度量，实验证明在采样步数较少时，使用 GMM 核能够显著提高生成样本的质量。

    Nov, 2023

  • 深度特征作为感知度量的不合理有效性

    通过实验发现基于深度学习的图像处理方法中的感知相似度可以对大多数经典感知度量方法取得更加优秀的表现。该结论并不仅仅针对于在 ImageNet 数据集上训练的 VGG 特征，而是适用于训练于不同深度架构和不同的学习方式（监督、自监督、无监督）的特征提取器。

    Jan, 2018