Aug, 2020
几何丰富的潜空间
Geometrically Enriched Latent Spaces
Georgios Arvanitidis, Søren Hauberg, Bernhard Schölkopf
TL;DR通过将环境空间视为黎曼多维流形,可以利用相关的黎曼度量对领域知识进行编码,通过环境度量的仔细设计我们可以确保最短路径的行为表现良好,实验结果表明,我们的方法可以提高随机和确定性生成器的可解释性。
Abstract
A common assumption in generative models is that the generator immerses the
latent space into a Euclidean ambient space. Instead, we consider the ambient
space to be a →
发现论文,激发创造
深层生成模型的度量标准
通过将 Riemannian 几何的思想应用到该领域,我们提出了一种基于最短路径计算的距离度量方法,可以获得基于原则的距离度量,提供深度生成模型的视觉检查工具和运动泛化工具。
Nov, 2017
深度生成图像模型的几何学及其应用
本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制,并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量,这一方法可以有效地优化潜在空间的优化等应用,并便于解释变换维度。
Jan, 2021
深度生成模型中的测地线聚类
该论文提出了一种考虑生成模型的几何特性的算法,它可以使得在潜变量表示中使用简单的聚类算法更加有效,同时提出了一种新的用于建模变分自编码器中不确定性的架构。实验表明,此算法能够反映数据的内部结构。
Sep, 2018
在编码神经网络潜空间中表示闭合变换路径
本文使用生成流形模型改变自编码器的潜在空间,以适应数据中的低维流形结构并学习复杂系统的潜在动态,生成转换路径并对属于同一转换路径的样本进行分类。
Dec, 2019
用 VAEs 学习平坦的潜在流形
本研究提出了一种基于 Riemannian geometry 的扩展的变分自编码器框架,可以学习平面的潜在流形,通过约束优化问题和使用更具表达力的层次先验代替紧凑先验,使得在保留直线状方法的计算效率的同时,能够在视频跟踪基准测试中接近监督学习方法的性能。
Feb, 2020