GMMSeg 提出了一种使用密集生成分类器进行分割的新型分割模型,以捕获类条件密度并在具有各种分割架构和 Backbone 的情况下优于鉴别模型,即使在开放性的数据集上也表现良好。
Oct, 2022
该论文提出了解决点集配准问题的一种新方法,名为 GOGMA,它利用 SE(3)空间的几何特征,采用分支限界的方法来搜索 3D 刚性运动的空间,从而保证全局最优解,同时还能加速收敛,而且经过实验证明该方法比现有的全局最优解方法具有更强的鲁棒性。
Mar, 2016
本论文考虑基于有噪声的数据子集对聚类问题进行半监督学习,提出一种新的深度生成模型和统计关系模型相结合的方法,并采用贝叶斯推断策略,采用快速(自然梯度)随机变分推断算法进行推断,实验结果显示该方法优于以往的基于众包的聚类方法。
Oct, 2018
自动细胞分割是疾病诊断和药物研发中越来越重要的工具,本文提出了一种新的非对称混合模型用于无监督的细胞分割,该模型在细胞分割的性能上胜过现有的最先进的无监督模型约 2-30%(p<0.05)的提升。
Jun, 2024
通过对多个视觉与文本模态的联合嵌入进行高斯规范化,本文应用 Wasserstein 自编码器对图像和文本的潜在表示进行编码,以确保生成的语义表示具有良好的连续性,从而实现语义对齐和跨数据集的表现。在交叉检索和短语定位上,我们展示了该方法的优越性,实现了最新的最优准确率,同时具有更好的泛化能力。
Sep, 2019
我们研究了一个变分自编码器模型(VAE)的变体,其中高斯混合作为先验分布,通过深生成模型实现无监督聚类,通过最小信息约束启发式,缓解了过度正则化问题,并在合成数据、MNIST 和 SVHN 上证明了模型的性能。
Nov, 2016
该研究提出了 SeNM-VAE,一种半监督噪声建模方法,利用配对和非配对数据集生成逼真的退化数据。通过特殊设计的图形模型对退化和清晰图像的条件分布进行建模,在变分推断框架下开发了处理配对和非配对数据的客观函数。我们将该方法应用于真实世界的图像去噪和超分辨率任务中,其合成的退化图像质量优于其他非配对和配对噪声建模方法。此外,即使在有限的配对数据的情况下,我们的方法在下游图像恢复任务中也表现出色。随着更多的配对数据,我们的方法在 SIDD 数据集上实现了最佳性能。
Mar, 2024
本文提出了一种基于混合模型和狄利克雷过程的无限变分自编码器,其容量能够适应输入数据,从而使得自动编码器数量能够根据数据自动变化,实验结果表明该方法在半监督学习中具有很高的灵活性。
本研究论文介绍了使用 Gaussian mixture variational autoencoder(GMVAE)进行分子模拟数据的降维和聚类,以及其在构建 Markov 状态模型方面的潜在应用。
Dec, 2019
本文介绍了应用高斯混合变分自编码器 (Gaussian Mixture VAEs) 生成游戏关卡的方法,该方法可以无需人工干预地将关卡按照特征进行聚类,并生成具有期望特征的新关卡。实验结果表明,学习到的关卡组成元素可以有效地发现与聚类关卡结构和模式。
Aug, 2020