Jul, 2020

SurVAE Flows: 通过满射函数填补 VAE 与 Flow 模型之间的鸿沟

PDF
TL;DR本文提出了 SurVAE Flows 作为一个模块化的框架来组合深度学习中的生成模型 Normalizing flows 和 Variational autoencoders，通过使用双射变换来建模密度和可逆变换，桥接了两种模型之间的差距，同时介绍了一些通用操作。
normalizing flowsvariational autoencoderssurvae flowsgenerative modelscomposable transformations
发现论文，激发创造
  • PDF 投影与正规流和 SurVAE 的比较

    Normalizing flows (NF) and Surjection VAE (SurVAE) are approaches that extend generative networks with exact likelihood calculation to dimension-altering transformations, but they are discovered to be a re-invention of the more developed PDF projection method.

    Nov, 2023

  • 离散序列的潜在正则化流

    提出了一种基于 VAE 的生成模型，该模型联合训练了基于正则化流的潜在空间分布和到观察到的离散空间的随机映射，解决了直接对离散序列应用正则化流所面临的挑战，并具有可比拟的性能和流灵活性。

    Jan, 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

  • 利用 Householder 流改进变分自编码器

    本论文提出了一种基于 Householder 变换的体积保存流方法，改进了变分后验分布的灵活性并在 MNIST 数据集和组织病理学数据中获得了理想的结果。

    Nov, 2016

  • VQ-Flows: 向量量化局部归一化流

    介绍了一种基于本地 normalizing flows 和条件流的概率框架，通过学习 VQ-AE 和 chart maps 实现对数据流形上的复杂分布进行更好的建模。

    Mar, 2022

  • 卷积归一化流

    该研究论文介绍了一种基于神经网络和正则化流的灵活变分后验分布逼近方法，提出了一种名为 ConvFlow 的新型正则化流方法，并证明了其在合成和实际问题中的有效性和效率。

    Nov, 2017

  • NVAE: 深度分层变分自编码器

    提出了一种用于图像生成的深度分层变分自编码器（NVAE），其使用深度分离卷积和批归一化。NVAE 在 MNIST、CIFAR-10、CelebA 64 和 CelebA HQ 数据集上取得了最先进的结果，并为 FFHQ 提供了强大的基准。NVAE 是最成功的 VAE 应用于自然图像，尺寸达到了 256x256 像素。

    Jul, 2020

  • Sylvester 正则流用于变分推断

    本文介绍了 Sylvester 标准化流，其可以作为平面流的一般化，Sylvester 标准化流消除了平面流中存在的单个单位瓶颈，并使单个变换更加灵活，相对于平面流和逆自回归流，在多个数据集上展示了更好的性能表现。

    Mar, 2018

  • 基于归一化流的医学图像分割不确定性量化

    提出了一种基于条件归一化流变换的新型条件生成模型 cFlow Net，用于医学图像分割领域，实验结果表明在定性定量指标上相比最近的 cVAE 基于的模型有显著提高。

    Jun, 2020

  • 具有双曲标准化流的潜变量建模

    本研究论文介绍了一种在双曲空间上扩展 Normalizing Flow 的方法，使其能够更好地模拟具有分层结构的数据，并展示了该方法在密度估计和图数据重建等领域的高效性与优越表现。

    Feb, 2020