Jun, 2020

基于 Watson 感知模型的生成神经网络的损失函数

PDF
TL;DR为了训练变分自编码器以生成真实图像，我们提出了一种基于 Watson 视觉模型的损失函数，通过计算颜色图像中的加权距离和掩模来反映人类对图像相似性的知觉，并将其拓展到彩色图像上。在实验中，VAE 利用新的损失函数进行训练可生成更真实、高质量的图像样本，相较于欧几里得距离和结构相似性指数，图像模糊度更低，与基于深度神经网络的损失相比，新方法需要更少的计算资源，并且生成的图像具有更少的伪影。
variational autoencodersloss functionperceptionimage generationwatson's perceptual model
发现论文，激发创造
  • 使用已学习的相似度度量进行像素外的自编码

    提出了一种自动编码器技术，结合了变分自动编码器与生成式对抗网络，可透过特征表示量测数据空间的相似性，进而以特征误差为基础重新构建数据分布，其具有位移不变性，运用在脸部图像上可提供更优的视觉保真度，并能够学习出抽象且高层次的视觉特征。

    Dec, 2015

  • 深度特征一致性变分自编码器

    本研究提出了一种新颖的方法来构建变分自编码器 (Variational Autoencoder，VAE), 该方法通过 enforced deep feature consistency 的方式替代了传统的像素级别的损失，以充分保留输入数据的空间相关性，产生更自然的视觉效果和更好的感知质量。 对 CelebA 数据集的测试结果表明，我们模型能够优于其他文献中的方法，并且还能够产生能捕捉面部表情语义信息的潜在向量，这些向量可用于实现面部属性预测的最新性能。

    Oct, 2016

  • 图像增强的投影分布损失

    本文研究使用从目标识别 CNNs 中获取的特征来衡量图像之间的感知相似度，并使用差分距离函数训练图像增强模型，并表明聚合 CNN 激活之间的 1D-Wasserstein 距离比现有方法更可靠，并且可以在各种成像应用中显著提高感知性能。

    Dec, 2020

  • 基于深度网络的感知相似性度量生成图像

    通过采用深度感知相似度测量（DeePSiM）来代替在图像空间中计算距离，我们的研究表明，此类损失函数能够更好地反映图像的感知相似度，从而减少图像平滑问题，并且在自编码器训练、变分自编码器的修改以及深度卷积网络的反演三种应用场景中表现出令人印象深刻的生成结果。

    Feb, 2016

  • 使用感知相似度度量学习生成图像

    通过使用 better calibrated to human perceptual judgments of image quality: the multiscale structural-similarity score (MS-SSIM) 进行训练而不是使用 pixel-wise loss (PL)，提出了更好的 perceptually-optimized methods，已被证明在三种不同的自动编码器中表现更好，可以在图像分类和超分辨率成像方面为计算机视觉带来极大的潜力。

    Nov, 2015

  • 深度变分推断无需像素级重构

    本文提出了一种基于深度神经网络的变分自编码器，使用实值非体积保存变换来准确计算数据的条件似然，采用由少量中间层组成的强大条件耦合层来使其学习效果更好，在图像建模任务上有着不错的表现。

    Nov, 2016

  • 用于图像预测的对比特征损失

    本研究提出了一种基于信息论的方法来衡量两张图片之间的相似度，能够学习出轻量的 critic 来校准特征空间，从而实现对应空间的图像重建和非对应空间的图像排斥，这种方法能够代替 L1 loss 用在有或者没有 GAN loss 的基于监督的图像合成模型中，从而显著提升了合成图片的感知逼真度。

    Nov, 2021

  • 一个利用 Wasserstein 距离减少情感计算中受主体影响噪声的新型损失函数

    我们提出了一种利用深度学习和新型代价函数来检测情绪状态的方法，该代价函数利用了 Optimal Transport Theory 中的 Wasserstein Distance 来缩放个体相关数据的重要性，从而提高对所有参与者共同的数据模式的重要性，降低个体相关噪声的重要性。在四个常用数据集上的对比实验中，我们的模型在最小距离和质心欧氏距离方面相对于基线模型平均分别增加了 14.75％和 17.75％。

    Aug, 2023

  • 通过建立感知特征模型进行异常检测定位

    本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型，该模型不仅在像素空间中重构输入图像，而且还在多个不同的特征空间中进行重构，通过对先前训练的卷积神经网络进行计算，对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。

    Aug, 2020

  • 用于去模糊变分自编码器的短时傅里叶变换

    通过修改变分自编码器的重构项，引入傅里叶变换和局部相位一致性的损失函数，解决生成样本模糊性问题，并在 MNIST 数据集上提供了定性和定量结果。

    Jan, 2024