Jul, 2020

NVAE: 深度分层变分自编码器

PDF
TL;DR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。
vaeshierarchical vaesnvaelikelihood-based modelsimage generation
发现论文，激发创造
  • 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

  • 极深的 VAE 可以推广自回归模型并在图像上优于它们

    本文提出了具有层次结构的 VAE，并且在所有自然图像基准上，它比 PixelCNN 更快地生成样本的同时在对数似然上表现更好。我们通过将 VAE 的随机深度比以前探索的更深来测试不足深度是否会导致 VAE 性能下降。与 PixelCNN 相比，这些非常深的 VAE 可以获得更高的似然度，使用更少的参数，更快地生成样本，并且对高分辨率图像更容易应用，这是因为 VAE 学习了高效的分层视觉表示。

    Nov, 2020

  • 非参数变分自编码器用于分层表示学习

    本文提出了一种层次非参数变分自编码器模型，以结合树状结构的贝叶斯非参数先验和变分自编码器来实现无限灵活性的潜在表征空间，进而在视频表征学习上取得更好的效果。

    Mar, 2017

  • 深度生成建模：VAEs、GANs、归一化流、能量基模型和自回归模型的比较综述

    本文介绍了深度生成模型的各种技术，并进行了对比、解释和回顾，包括基于能量、变分自编码器、生成对抗网络、自回归模型、归一化流、许多混合方法。

    Mar, 2021

  • 动态变分自编码器：综述

    本文对可变自编码器 (VAE) 拓展至处理序列数据的方法进行了综述，提出并讨论了动态变分自编码器 (DVAEs) 这一类模型，详细介绍了七种 DVAE 模型，并通过语音分析 - 重构任务的实验基准进行了验证，最后探讨了 DVAE 模型的重要问题和未来的研究方向。

    Aug, 2020

  • 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

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

    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。

    Jul, 2020

  • 诊断和优化 VAE 模型

    本研究针对变分自编码器（VAEs）的效率和各种假设，提出了新的 VAE 增强方案，该方案不需要任何超参数或敏感调整，并且与多种 GAN 模型竞争时，能产生清晰的样本和稳定的 FID 分数。

    Mar, 2019

  • Poincaré 变分自编码器实现连续的分层表示

    本文利用 Poincaré 球模型的超几何结构作为潜变量空间，研究了 VAE 在这个空间的运用，该方法在嵌套数据结构下表现出色，并展现了超几何结构对于 VAE 的优越性。

    Jan, 2019

  • 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