Dec, 2020

Soft-IntroVAE：分析和提升内省变量自编码器

HTML
PDF
TL;DR使用Soft-IntroVAE替换IntroVAE在生成样本中使用的铰链损失项，从而显着提高训练稳定性，并加强了该算法的理论分析。我们展示了IntroVAE会收敛到最小化数据分布之间的KL距离和熵项和的分布，这一结果的影响使得它在图片生成和重建任务中有极好表现，并通过两个应用场景展示了Soft-IntroVAE的竞争力。
发现论文，激发创造
  • PixelVAE：自然图像的潜变量模型

    这篇论文提出了PixelVAE，这是一种基于PixelCNN的VAE模型，可以高效地捕获大型结构和保留压缩的潜在表示，适用于无监督学习的挑战。

    Nov, 2016

  • 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

  • 内省变分自编码器：用于照片图像合成的模型

    介绍了一种新颖的内省变分自动编码器(IntroVAE)模型，其可以用于合成高分辨率的照片图像，并通过将GAN和VAE两种生成框架集成到一个简单而高效的单流架构中，实现了高性能的图像生成。

    Jul, 2018

  • 带隐式最优先验的变分自编码器

    该论文介绍的方法通过密度比技巧来达到KL散度的隐式计算，在不模拟聚合后验的情况下，可以使用最优先验，从而在各种数据集上实现高密度估计性能。

    Sep, 2018

  • MAE：变分自编码器的相互后验分歧正则化

    本文介绍了一种新的正则化方法 mutual posterior-divergence regularization，用于控制潜空间的几何结构，从而实现有意义的表征学习，并在三个图像基准数据集上取得了良好的表现。

    Jan, 2019

  • 噪声对比变分自编码器

    本文理论上探索了几种流行的变分自编码模型，在启发于噪声对比评估算法的基础上，提出了一种新的算法 NC-VAE，在数据重构能力上不会出现后验崩溃问题，提供了新的下界，并在图像和文本数据集上进行了实证展示。

    Jul, 2019

  • 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

  • 一种基于变分自编码器的高效无监督异常检测方法

    本文研究了用于无监督的离群检测的深度生成模型（DGMs），特别关注使用标准正态先验分布的基本变分自动编码器（VAE）。我们提出了一种针对基本VAE设计的新颖离群得分方法，称为误差降低（ER），其结合了从丢失版本中重建图像输入的概念，并考虑了图像的科尔莫哥罗夫复杂性。对不同数据集的实验结果表明，我们的方法优于基准方法。我们的代码可在此URL获得：https://这个URL

    Sep, 2023

  • 内省变分自编码器中的先验学习

    本研究针对内省变分自编码器（S-IntroVAE）提出了通过引入多模态可学习先验来提高模型性能的创新方法。研究表明，与解码器协作训练的先验能够有效实现学习，且通过针对性实验验证了该方法在生成和表征学习方面的显著优势。

    Aug, 2024

  • Beta-Sigma VAE：在高斯变分自编码器中分离beta和解码器方差

    本研究针对变分自编码器（VAE）输出模糊问题，提出了Beta-Sigma VAE（BS-VAE），该方法明确分离了模型中的beta和解码器方差，从而提高了自然图像合成的性能并提供了可控参数和可预测的分析。通过分析率-失真曲线和计算机视觉数据集的代理指标，我们的实验结果验证了该方法的有效性。

    Sep, 2024