Jul, 2020

用潜在变化可预测性学习分离表示

HTML
PDF
TL;DR本文提出了一种基于变量可预测性的方法来优化VAE和GAN框架中的潜变量表征的解缠方法，该方法通过最大化潜变量变化与相应图像变化之间的互信息来增强变量的可预测性，同时提出了一种新的评估指标来度量潜在维度的解缠性能。研究表明，所提出的变量可预测性方法与当前基于与真实情况的度量模型表现出很好的相关性，可以有效地增强潜变量表征的解缠能力。
发现论文，激发创造
  • 通过循环一致变分自编码器分离变异因素

    本文提出了一种使用弱监督来将潜在空间分离成两个互补子空间的新架构，使用变分自编码器中的循环一致性，获得鼓舞人心的结果，并与利用对抗训练的最近作品进行了比较。

    Apr, 2018

  • 无监督解缠的光谱正则化

    通过对生成模型进行解缩表示，可以独立控制输出的不同方面，本文提出了一种基于奇异值分解的正则化方法，可以用来无监督地训练GANs生成具有独立控制的输出。

    Dec, 2018

  • InfoGAN-CR 和 ModelCentrality: 面向 GAN 解耦的自监督模型训练和选择

    通过使用自监督学习的方法一方面设计了一种新的对抗网络（GAN）模型和一个无监督模型筛选方案，另一方面提出了一种对比约束规则来提高模型向目标空间映射时对潜在因素进行解耦的能力。这种方案与对抗网络或自编码器等其他方法相比，具有更高的可解释性和速度。

    Jun, 2019

  • 图像合成的无监督鲁棒性潜在特征分离

    通过学习一个新的方法，深度生成模型可以不需要姿态注释便可学习到表征物体外观和姿态等属性的独立潜在特征，这些特征是可以解释的，且能够生成和修改图像。

    Oct, 2019

  • 生成对抗网络中的对比式解缠

    本文从对比学习的角度提出了一种新的对抗生成网络（CD-GAN）来解决因潜变量的后验推断和缺乏样本似然性而难以实现的生成模型因果解释的问题，它通过对比图像特征来实现对数据中不同类之间可辨别属性的提取，并通过仅有的有限监督来提高模型的性能。实验结果表明了该模型在多个数据集上对数据进行高效的可解释性特征提取。

    Mar, 2021

  • 何时何地？考察可解释的分解表示

    本文提出了一种基于解释性的无人监督学习方法来实现抽象表征，该方法可以通过学习空间遮罩、引入扰动和无人监督模型选择来学习高质量的分解表示。

    Apr, 2021

  • 无自编码的无监督解缠的陷阱和未来方向

    本文研究基于对比学习的正则化方法来实现大规模数据集的非监督式解缠表示学习，并分析了不同正则化方法的利弊与下游任务性能表现。

    Aug, 2021

  • VAE解缠结先决条件: 感知重叠

    本文研究如何通过修改重建损失来实现VAE的去纠缠表征，并提出一种广义对抗训练的数据集来破解现有的去纠缠框架。

    Feb, 2022

  • 学习解缠离散表示

    通过将标准的高斯变分自编码器（VAE）替换为量身定制的分类变分自编码器，我们探究了离散潜变量空间与解耦表示之间的关系。我们展示了分类分布的基础网格结构可以减轻与多变量高斯分布相关的旋转不变性问题，并作为解耦表示的高效先验。我们提供了分析和经验证据表明，离散VAE在学习解耦表示方面的优势。此外，我们引入了第一个偏向于解耦表示的无监督模型选择策略。

    Jul, 2023

  • 从认识论角度看独立约束的解耦表示学习

    本研究解决了解耦表示学习中对潜变量独立性的争议问题。通过建立一个认识论与解耦表示学习之间的概念桥梁，提出了一个双层潜空间框架，进而实现了一种新颖的方法，该方法集成了互信息约束和独立性约束于生成对抗网络中。实验结果表明，所提方法在定量和定性评估上均优于基线方法，增强了可控生成的质量，从而提升了算法的可解释性。

    Sep, 2024