Nov, 2020

双反差异生成自编码器

PDF
TL;DR我们提出了一个名为 DC-VAE 的旨在改善生成自动编码器的新模型，其具有双重对立损失，可以同时执行推理和合成操作。该模型通过将单元级区分性损失和集合级对抗性损失相结合，实现了单元级还原 / 合成的精度和集合级准确度的提高，为计算机视觉和机器学习中的各种下游任务提供了广泛的适用性。
generative autoencoderdual contradistinctive lossesinstance-level discriminative lossset-level adversarial losscomputer vision
发现论文，激发创造
  • 对抗与对比变分自编码器用于序列推荐

    本文提出了一种名为 ACVAE 的新方法，利用变分自编码器（VAE）和对抗训练来生成高质量的潜在变量，同时使用对比损失来学习个性化特征，并在捕捉序列的全局和局部相关性之前引入了卷积结构，实现了基于序列的推荐，实验表明，ACVAE 模型胜过其他现有的方法。

    Mar, 2021

  • 对比变分自编码器增强显著特征

    本文介绍了一种结合对比学习和深度生成模型的对比变分自编码器 (cVAE)，旨在通过训练共享特征和不同特征的模型来发现和增强突出的潜在特征。实验表明，cVAE 可以有效地发现在特定分析中显著的潜在结构。

    Feb, 2019

  • 对比分解时序变分自编码器

    提出了一种称为对比去纠缠顺序变分自动编码器（C-DSVAE）的方法来进行自我监督的去纠缠表示学习，并使用对比估计的互信息以及简单且有效的数据增强技术来引入附加的归纳偏差。实验结果显示，C-DSVAE 在多个度量标准上显著优于现有的最先进方法。

    Oct, 2021

  • 多对抗变分自编码网络

    介绍了 Multi-Adversarial Variational autoEncoder Networks (MAVENs) 网络结构，它是 VAE-GAN 网络的一个创新应用，在人工合成图像方面有很好的表现。

    Jun, 2019

  • 自动编码生成对抗网络的变分方法

    本篇论文提供了一个新的原则，即利用生成模型的层次结构将自编码器与生成对抗网络相结合，以防止学习到的生成模型中的模式崩溃，并使用区分器学习合成可能性和隐式后验分布。

    Jun, 2017

  • 深层生成模型的统一化

    本文介绍了针对生成模型学习中 GAN 和 VAEs 的新方法，并阐述了 GAN 和 VAEs 的相似性和差异性，探讨了它们的后验推理和 KL 散度的最小化问题，并将 VAEs 的 importance weighting 方法应用到 GAN 的学习中，同时采用对抗性机制加强 VAEs 模型，实验证明了这些方法的普适性和有效性。

    Jun, 2017

  • 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

  • 改进具有深度特征一致性和生成对抗训练的变分自动编码器

    本文提出了一种改进变分自编码器性能的新方法，通过实施生成对抗训练机制，使得 VAE 输出逼真自然的图像；同时，还使用多视图特征提取策略提取有效的图像表示，从而获得了在面部属性预测上最先进性能。

    Jun, 2019

  • 对抗变分贝叶斯：统一变分自编码器和生成对抗网络

    介绍了 Adversarial Variational Bayes 技术，可以用于训练具有任意表达力的推理模型的变分自编码器，并将其与生成对抗网络建立起了原则上的联系。

    Jan, 2017

  • 对抗对称变分自编码器

    该研究开发了一种新形式的变分自动编码器 (VAE)，它在两个（对称的）形式中考虑了数据和代码的联合分布。同时，它使用对称的 KL 散度最小化方法进行学习，并使用一种新的对抗性训练方法来加速学习。在多项实验中，该研究展示了在数个图像基准数据集上的最新数据重建和生成结果。

    Nov, 2017