Jun, 2020

层次化 Patch VAE-GAN：从单一样本生成多样化视频

PDF
TL;DR本文提出了一种使用基于 patch 的变分自编码器（VAE）生成多样化视频的新方法，并将其与更细节的 patch-GAN 相结合，以在保证多样性的同时生成高质量视频。实验结果表明，该方法不仅可以生成多样化的图像，还可以处理更具挑战性的视频领域。
video generationpatch-based vaepatch-gandiversityhierarchical
发现论文，激发创造
  • 从单个视频生成多样化视频

    本文提出了非参数基线方法来解决单个视频生成及操作任务，相较于传统的基于 GAN 的方法能提供更高的性能和更快的运行速度，并且在视频类比和时空重新定位等方面表现突出。

    May, 2022

  • 大规模视频预测的贪心分层变分自编码器

    介绍了一种基于 Greedy Hierarchical Variational Autoencoders (GHVAEs) 的高保真度视频预测模型，能够解决 GPU 或 TPU 的内存限制和大规模视频预测的优化难题，并在四个视频数据集上取得了 17-55% 的预测性能提升和 35-40% 更高的成功率。

    Mar, 2021

  • 采用分层 VQ-VAE 对图像修复生成多样化结构

    本文提出了一种基于 VQ-VAE 的两阶段模型，在第一阶段生成多个不同结构的粗略结果，第二阶段对于每个粗略结果进行纹理增强，其中纹理生成网络中的结构注意模块利用结构信息捕获远程相关性。这种方法不仅增强了图像修复解的多样性，还提高了生成的多张图像的视觉质量。

    Mar, 2021

  • 利用 VQ-VAE-2 生成多样高保真度图像

    本文探讨矢量量化变分自编码器模型 (VQ-VAE) 进行大规模图像生成的应用，采用自回归先验信息，结合简单前馈编码器和解码器网络，以压缩的潜变量空间进行自动回归模型采样，同时使用多尺度层级 VQ-VAE 进行生成，取得比 Generative Adversarial Networks 更加优秀的样本生成品质。

    Jun, 2019

  • 可扩展的分解层次变分自编码器训练

    本文介绍一种基于变分推断的分层生成过程的因式分解分层变分自编码器（FHVAE）模型，该模型在许多语音应用方面已被证明可行，但其原始论文中提出的训练算法不适用于规模更大的数据集。本文提出了一种分层采样训练算法来解决这一问题，并对不同类型的数据集进行了全面评估，证明了我们提出的算法对所有数据集都表现出所需的特性。

    Apr, 2018

  • 树形变分自编码器

    提出了一种新的生成分层聚类模型 ——Tree Variational Autoencoder（TreeVAE），它能够分层地划分样本并发现数据中潜在结构，并利用树形结构中的叶子节点解码器提高了生成性能。TreeVAE 在不同的数据集上表现出了较高的对数似然下界，并且通过条件采样能够从聚类中生成新的样本。

    Jun, 2023

  • 多阶段变分自编码器用于粗到细的图像生成

    使用多段式 VAE 模型生成高品质图像，通过使用残差块和跳跃连接来增加解码器网络的容量，并使其能够使用多段式生成精细的图像。

    May, 2017

  • 基于类别和层次的 VAEs 实现多样化语义图像合成和编辑

    本文提出了一种基于变分自编码器的类别和层次的扩展方法，能够通过学习多个潜在空间在本地和全局水平上灵活地控制每个对象类别以处理确定对象样式的各种因素，生成的图像在真实数据集、合成数据集三个不同领域的广泛实验中都表现出更加合理、更具多样性的特点，可用于图像合成和编辑任务。

    Jun, 2021

  • 利用分层生成对抗网络进行视频识别中的图像利用

    本论文提出了一种名为 HiGAN 的新方法，使用层次生成对抗网络将从图像等源域传递的知识用于视频识别目标域，以提高分类器的性能，实验证明其相比当前最先进的领域自适应方法更有效。

    May, 2018

  • 针对具有鲁棒性的半监督学习的对抗变分嵌入

    我们提出了一种名为 AVAE 的新型对抗生成嵌入框架，该框架将 GAN 的高质量生成模型和 VAE 的后验分布学习器的优势相结合，用于半监督学习，并针对已有的问题进行改进。实践结果表明，我们的方法在半监督分类方面的表现优于现有的最先进模型。

    May, 2019