May, 2019

DIVA: 领域不变变分自编码器

PDF
TL;DR本文介绍了一种名为 Domain Invariant Variational Autoencoder（DIVA）的生成模型，在域通用化问题上表现出色，可以学习三个独立的潜在子空间，分别用于描述域、类别和任何残余变化。此外，该模型能够整合已知或以前未见过的未标记数据，并在旋转的 MNIST 基准和疟原虫细胞图像数据集上实验验证了该模型的性能表现优于最新工作。
发现论文，激发创造
  • DIVA: 基于狄利克雷过程的变分自编码器增量深度聚类算法

    提出了一种基于无穷高斯混合先验的非参数深度聚类框架 DIVA，使用了记忆化的在线变分推理方法使聚类更加动态自适应，不需要先验知识，特别在处理具有增量特征的复杂动态变化数据中表现出色。

    May, 2023

  • 无监督领域泛化的分层变分自编码

    本文提出了一种基于层次生成方法和变分自编码器的无监督领域泛化算法，能够在不受领域特定信息约束的情况下学习表征并在多种领域设置下优于先前提出的领域泛化算法和现有的其他非生成式方法。另外，作者还提出了基于 ELBO 的模型选择和弱领域监督算法。

    Jan, 2021

  • 最大化域独立性表示改进迁移学习

    本文介绍了一种新的方法，将敌对模型与变分自编码器相结合，利用领域无关表示和领域相关表示以及对后者进行大小惩罚的机制来进行跨领域学习，并在多个图像数据集上展示了它对于预训练模型的优越性。

    Jun, 2023

  • 通过变分自动编码器在糖尿病视网膜病变领域跨领域泛化

    通过探索变分自动编码器在眼底图像的潜在空间中解耦的内在能力，本研究旨在获取一种更强大适应不同 DR 数据集中遇到的领域转换的域不变表示方法，以提高该模型在广泛临床环境中的适用性，并证明其能够通过简单方法优于现有先进技术，挑战了对于 DR 分类高度复杂方法更优的普遍假设，强调了考虑简单方法并将其适应于医学图像的泛化任务的重要性。

    Sep, 2023

  • 基于变分自编码器的受控解耦的无监督多领域翻译

    无监督多领域转换是将数据从一个领域转换到其他领域的任务，我们提出的方法基于改进的变分自编码器，利用两个分离的潜在变量以一种可控的方式实现。我们通过实验证明了我们的方法在不同的视觉数据集上可以提高其他知名方法的性能，并证明了一个潜在变量存储与领域相关的所有信息，而另一个几乎不包含任何领域信息。

    Jan, 2024

  • 变分公平自编码器

    研究如何学习能保留数据中大部分信息且对于某些噪声或敏感变化因素具有不变性的表示形式，提出了一种基于变分自编码器的模型，包括鼓励灵敏因素和潜在因素独立的优先知识和基于 “最大均值差异”（MMD）的附加惩罚项，实验证明该方法比以前的工作更有效。

    Nov, 2015

  • 高级条件变分自编码器（A-CVAE）：通过解离潜在特征表示进行开放领域对话生成解释的探索

    本研究旨在通过介绍一种认知方法，利用先前的知识驱动生成模型，实现在中尺度特征分离中调节潜在变量，使得深度学习的开放领域对话系统可以生成更高质量和更可解释性的对话。

    Jul, 2022

  • 使用多个潜在领域的混合模型进行领域泛化

    该研究使用多种潜在领域混合的方式来提高神经网络的领域泛化能力，通过聚类将样本分为不同的领域，并通过对抗学习训练领域不变特征提取器来发现潜在领域，并利用风格特征进行聚类，达到不需要使用领域标签的领域泛化模型的训练。该方法表现优于传统的领域泛化方法，包括使用领域标签的方法。

    Nov, 2019

  • 基于可变近似的无监督域自适应在心脏分割中的应用

    本研究提出了基于变分自编码器的无监督域自适应方法，通过在两个领域中应用相同参数的变分分布实现域之间的映射，结合分割模块以进行心脏分割，并在两个跨模态和跨序列的心脏分割任务中证明了该方法的有效性和优势。

    Jun, 2021

  • DDMI: 领域不可知的潜在扩散模型用于合成高质量的隐式神经表示

    我们提出了用于隐式神经表示的无领域隐性扩散模型 (Domain-agnostic Latent Diffusion Model)，该模型生成自适应位置嵌入，而不是神经网络的权重。我们还引入了一种用于评估隐式神经表示的新型条件机制，通过分层分解的位置嵌入进一步增强了表达能力。在四种领域（2D 图像、3D 形状、神经辐射场和视频）上进行的广泛实验，使用了七个基准数据集，展示了 DDMI 的多功能性和优越的性能，相比现有的隐式神经表示生成模型。

    Jan, 2024