CVPRApr, 2019

一种用于随机点过程的变分自编码模型

PDF
TL;DR提出了一个名为 APP-VAE 的概率生成模型，使用潜在表达和非线性函数来描述操作序列中的可能性分布，通过在 MultiTHUMOS 和 Breakfast 数据集上的实证验证，证明了 APP-VAE 在建模操作序列方面的有效性。
probabilistic generative modelaction point process vaeaction sequenceslatent representationsmultithumos
发现论文，激发创造
  • 高斯过程先验变分自编码器

    本文研究了一种新的模型 Gaussian Process Prior Variational Autoencoder (GPPVAE)，结合了 VAEs 和具有 GP priors 关联特性的能力，解决了 VAEs 假设的潜在样本表示是独立并且同分布的假设不够强的问题，并利用协方差矩阵中的结构，介绍了一种新的随机反向传播策略，达到了分布式和低内存计算随机梯度的目的，实验证明该方法可以在两个图像数据应用程序中优于 conditional VAEs (CVAEs) 和标准 VAEs。

    Oct, 2018

  • 变分自编码深度高斯过程

    通过与一个识别模型相结合，我们开发了一个可扩展的深度非参数生成模型。在利用多层感知器的变分框架下，我们重新参数化变分后验分布，并推导出一个可处理深度学习任务规模数据集的变分下界公式，证明了该方法在深度无监督学习和深度贝叶斯优化领域的有效性。

    Nov, 2015

  • 用变分自动编码器学习随机过程的最小表示

    通过无监督机器学习方法，介绍了一种确定有效描述随机过程动态的最小参数集的方法，并展示其在提取精确描述这些动态的最小相关参数方面的效果。此外，该方法可用于生成忠实地复制预期随机行为的新轨迹，从而提高我们对不同领域复杂现象的理解。

    Jul, 2023

  • 基于 Transformer VAE 的带动作条件的 3D 人类动作合成

    本文介绍了一种运用 VAE 和 Transformer-Based 架构实现人体运动序列的有条件生成，以及改进行为识别和降噪等两种应用。

    Apr, 2021

  • 动态潜在图引导的神经时态点过程

    提出了一种新颖的变分自编码器来捕捉时间动态的混合，通过使用学习到的依赖图来预测未来事件时间和事件类型，在预测真实世界事件序列中表现出更高的准确性，相较于现有先进的神经点过程。

    Dec, 2023

  • 稀疏高斯过程变分自编码器

    研究了高斯过程深度生成模型中的氐变量的稀疏高斯过程近似的问题，并提出了一种基于部分推理网络的稀疏高斯过程变分自编码器，从而使得稀疏高斯过程能处理多维度的时空数据中缺失的数据，并提高模型的计算效率。

    Oct, 2020

  • DeepCoder：用于自动面部动作编码的半参数变分自编码器

    该研究提出了一种名为 DeepCoder 的半参数建模框架，将参数化（卷积）和非参数化 (序数 GPs) VAE 的建模能力结合起来，用于多层次任务层次结构的潜在表示和多个序数输出的分类的联合学习，该模型在 AU 强度估计的基准数据集上表现出超越最先进方法和相关 VAE 和深度学习模型的优势。

    Apr, 2017

  • 物理增强高斯过程变分自编码器

    提出了一种物理增强的变分自编码器，利用高维的图像数据可以学习低维的特征向量，并在学习中加入了物理学中的先验知识，从而提高了自编码器的效率和预测结果的物理正确性。

    May, 2023

  • 运动 VAE 使用的角色控制器

    该篇论文介绍了如何使用基于数据驱动的生成模型，结合深度强化学习算法来实现基于多段运动捕捉数据的真实人体动作生成，并分析了 Motion VAEs 的局限性。

    Mar, 2021

  • 使用高斯过程回归识别的条件变分自编码器用于参数模型

    本文提出了一种基于数据驱动的方法，结合高斯过程回归和条件变分自编码器 (CVAE-GPRR)，用于参数模型，在实现快速在线预测的同时避免模型复杂性和噪声的影响。

    May, 2023