ICLRApr, 2020

通过可逆生成流解耦全局与局部表示

PDF
TL;DR本研究提出了一种新的生成模型，它能够在完全无监督的环境中自动解耦图像的全局和局部表示，并借鉴样式转换文献中的结构来嵌入生成流以对解码器进行建模。实验结果表明我们的模型在密度估计、图像生成和无监督表示学习方面都非常有效。
generative modelunsupervised learningvariational auto-encodingflow-based invertible decoderimage representation
发现论文，激发创造
  • 通过松弛可注入概率流实现规则化自编码器

    提出了一种基于概率流的生成模型，通过对模型进行规范化，得到能够提高样本质量的最终目标，进而改进了变分自编码器和自编码器的性能。

    Feb, 2020

  • 走向概念压缩

    通过引入一种简单的循环变分自编码器结构，我们在图像建模方面取得了显著进展，实现了割裂了关于全局概念信息和底层细节的分离，达到了无监督学习的基石之一。同时，我们通过仅存储关于图像的全局信息，实现了高质量的 ' 概念压缩 '。

    Apr, 2016

  • 图像压缩的多尺度增强归一化流

    本文旨在提出一种创新的概念，将分层潜空间应用于增强式归一化流，建立可逆的潜变量模型，以解决许多学习型图像压缩方法的非可逆性问题。经过实验表明，本模型相较于单尺度模型，平均压缩率提高了 7% 以上。

    May, 2023

  • 逆自回归流提高变分推断

    本文提出了一种新型正则化流架构 —— 逆自回归流，它是一种基于自回归神经网络的可逆转换链。实验结果表明，逆自回归流显著改善了高维空间中对角高斯近似后验的变分推断，同时也证明了，结合逆自回归流的新型变分自编码器，在自然图像的对数似然度方面，与神经自回归模型相当，同时合成速度显著更快。

    Jun, 2016

  • VFlow: 用变分数据增强方法实现更具表现力的生成式流模型

    本文介绍了一种通过增加数据而扩展中间维度限制的方法 VFlow，提高了生成流模型的表达能力，并在 CIFAR-10 数据集上实现 2.98 bits per dimension 的最新成果。

    Feb, 2020

  • 变分有损自编码器

    本文提出了一种基于变分自编码器和神经自回归模型的简单但原则性的方法来学习全局表示，该方法允许对全局潜在特征进行控制，通过设计相应的架构，可以迫使全局潜在特征丢弃 2D 图像纹理等无关信息，并且通过利用自回归模型作为潜在分布和解码分布，可以大大提高 VAE 的生成建模性能，实现了 MNIST、OMNIGLOT 和 Caltech-101 Silhouettes 密度估计任务的新的最先进结果。

    Nov, 2016

  • 半监督深度生成模型学习分离表示

    该研究提出了一种使用图形模型和深度神经网络架构的变分自编码器，能够学习到不同的表示形式，进一步实现半监督学习，其生成的能力和区分能力也得到了充分验证。

    Jun, 2017

  • 生成模型中外观和视角的明确分离

    通过一个双重潜在空间信息的生成模型，我们利用空间变换器和变分自动编码器构成了一种具有归纳偏差的 Variationally Inferred Transformational Autoencoder (VITAE) 方法用于实现解缠表示的学习，实验结果表明，我们的模型在 MNIST 图像上有效区分了数字类型和视觉风格，对于 CelebA 数据集，能够将人脸外形和姿态以及面部特征与面部形状分开。

    Jun, 2019

  • SIReN-VAE: 基于流和分摊推断的贝叶斯网络优化

    本文探讨了如何将贝叶斯网络中的任意依赖结构引入变分自编码器 (VAEs) 中，通过引入图形残差流来实现。我们在多个合成数据集上比较了模型的性能，并展示其在数据稀缺情况下的潜力。

    Apr, 2022

  • 使用变分自编码器生成可解释的表示

    本文提出了一个框架，利用结构化图形模型在变分自动编码器（VAEs）的编码器中导出可解释的表达，使得在给定图形模型的结构限制下执行推理，并使用深度生成模型处理高维度的杂乱领域变得更容易。同时在无监督和半监督的情况下，通过变分目标进行端对端的学习。

    Nov, 2016