Jan, 2020

AE-OT-GAN: 从数据特定的潜在分布训练 GAN

PDF
TL;DR本文提出 AE-OT-GAN 模型，借鉴 AE-OT 模型解决了 GAN 模型生成的图片模式坍塌 / 混合问题，同时生成高质量图像；最终通过潜在分布转换映射生成连续的数据分布。实验证明本文方法在简单的 MNIST 数据集和复杂的数据集（如 Cifar-10 和 CelebA）中效果良好。
generative adversarial networksmode collapseae-otae-ot-ganoptimal transport
发现论文，激发创造
  • 从最优传输到生成模型：VEGAN 食谱

    本文以优化传输问题为基础，研究了无监督生成建模，并使用惩罚最优传输（POT）目标来有效地最小化该问题。作者发现，AAE 中的目标与 POT for the 2-Wasserstein distance 相同，并与其他流行技术如 VAE 进行了比较。作者的理论结果包括更好地理解 VAEs 生成图像的模糊度以及建立 Wasserstein GAN 和 POT for the 1-Wasserstein distance 之间的对偶关系。

    May, 2017

  • 生成对抗插值自编码：对隐空间插值的对抗训练鼓励凸隐分布

    本论文提出了一种基于 Autoencoder 和生成对抗网络的神经网络结构，通过在潜在空间插值的对抗训练，促进了一个凸的潜在分布。该模型的生成器和辨别器均使用了 AE，能够生成不模糊的样本，并且具有与原始图像相匹配的高低级特征，样本间的插值也能保持真实图像的潜在空间分布，因此保留了对输入图像的逼真相似性。

    Jul, 2018

  • Dist-GAN：使用距离约束改进的 GAN

    通过引入自动编码器并提出两个新的距离约束条件，有效地解决了生成对抗网络中的模式崩溃和梯度消失问题，并通过 Dist-GAN 在多个基准数据集上取得了比最先进方法更好的结果。

    Mar, 2018

  • 对抗自编码器

    本文提出了 “对抗自编码器”(AAE)，它是一个概率自编码器，使用最近提出的生成对抗网络 (GAN) 通过匹配自编码器的隐藏代码向量的聚合后验分布与任意先验分布来执行变分推断。匹配聚合后验分布和先验保证从先验空间的任何部分生成都会产生有意义的样本。结果，对抗自编码器的解码器学习了一种深度生成模型，将所施加的先验映射到数据分布。我们展示了对抗自编码器如何在半监督分类，图像风格和内容分离，无监督聚类，降维和数据可视化等应用中使用。我们在 MNIST、Street View 房屋号码和 Toronto Face 数据集上进行了实验，并展示了对抗性自编码器在生成建模和半监督分类任务中取得了有竞争力的结果。

    Nov, 2015

  • 对抗逼近自编码器用于图像生成和操作

    本文提出了一种新方法，即采用对抗逼近自动编码器（AAAE）来研究具有对抗逼近的潜在代码，从而提高重建质量并学习具有流形结构的潜在空间，同时不需要对潜在代码进行正则化。

    Feb, 2019

  • 对抗性正则化自编码器

    本文提出了一种基于 Wasserstein 自动编码器（WAE）的灵活方法，用于训练离散结构的深度潜变量模型，该方法扩展了 WAE 框架以对离散序列进行建模，并进一步探索了不同的先验知识以获得可控表示，最后展示了 WAE 中的潜变量可以进行文本风格转换。

    Jun, 2017

  • 切片 - 瓦热斯坦自编码器：一种尴尬地简单的生成模型

    本文介绍了一种新的基于 Sliced-Wasserstein Autoencoders (SWAE）的生成模型，使用最优输运（Optimal Transport，OT）问题和 Wasserstein 距离。通过在自编码损失中加入 sliced-Wasserstein 距离，可以将潜在空间的分布形状成任何可取样的概率分布，同时避免了训练对抗网络或定义分布的需要。我们证明了这种方法具有类似于 Wasserstein Autoencoders （WAE）和 Variational Autoencoders（VAE）的能力，而且实现简单高效。

    Apr, 2018

  • GAN 的最佳精度

    研究深度生成模型的潜在空间几何结构及优化条件，通过实验提出限制方法，提高生成对抗网络的性能。

    Jul, 2022

  • 复杂性的重要性：重新思考生成建模的潜空间

    本研究探讨了生成建模中潜在空间选择的最优解以及其确定过程，并提出了一种新的距离度量方法和具体的训练策略来优化潜在空间的选择，进而提高生成效果。

    Jul, 2023

  • 对抗性潜在自编码器

    本研究引入 Adversarial Latent Autoencoder (ALAE) 来解决 autoencoder 的生成能力及是否能够学习分离表示等问题。通过两种不同基于 MLP encoder 和 StyleGAN generator 的自编码器，我们证实了它具有可分离的属性，并且可以与生成器类型的结构相比较和超过其能力。

    Apr, 2020