Mar, 2021

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

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 辅助深度生成模型

    通过引入辅助变量（auxiliary variables），我们扩展了深度生成模型，用于提高变分近似方法，这让变分分布更有表现力，具有更快的收敛速度和更好的结果，从而实现了半监督学习的最先进性能，适用于MNIST、SVHN和NORB数据集。

    Feb, 2016

  • 生成对抗网络作为基于能量模型的变分训练

    该论文研究了深度生成模型在有效的无监督学习中的应用, 提出了 VGAN 模型, 通过最小化能量密度函数的负对数似然的变分下界, 使得模型能够用 Variational Distribution 进行采样, 从而可以更方便地训练模型。

    Nov, 2016

  • 深度、分层生成模型的架构设计

    本文介绍了一种基于深度生成模型的架构，该架构在训练过程中使用多层的潜在变量，并且在所有潜在变量和输出之间包括确定性路径，以及提供了一组更丰富的连接，这些连接在推理和生成计算之间实现了更有效的信息通信。我们在重构分布中引入了轻量级自回归模型以提高自然图像的性能。实验表明，我们的方法在标准图像建模基准测试中达到了最先进的性能，并且在没有标签信息的情况下可以暴露潜在的类结构，同时可以提供自然图像中被遮挡区域的令人信服的估计。

    Dec, 2016

  • 通过正则化稳定生成对抗网络的训练

    通过提出一种新的正则化方法，我们克服了GAN模型分布和数据分布之间维度不匹配的局限性，并证明了该正则化方法在多种常见图像生成任务中的有效性。

    May, 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

  • 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

  • 熵生成对抗网络与变分自编码器相遇：计算GAN样本似然的统计方法

    通过构建一种显式的概率模型，将沃瑟斯坦GANs与熵正则化视为基于变分下界的生成模型，从而使得GANs和VAEs之间建立了有理论支持的联系。同时，作者还在多个数据集上计算了GANs的似然统计量，验证了该理论结果。

    Oct, 2018

  • 深度生成建模简介

    该研究论文介绍了深度生成模型的数学框架及其最流行的三种方法：正态化流、变分自编码器和生成对抗网络。此外，该论文还探讨了这些基本方法的优缺点。

    Mar, 2021

  • 一种贝叶斯非参数方法的生成模型: 使用Wasserstein和最大均值差异度集成变分自编码器和生成对抗网络

    对GANs和VAEs进行贝叶斯非参数方法的融合，使用Wasserstein和最大均值差异度量在损失函数中结合以学习潜在空间并生成多样且高质量的样本，实现在异常检测和数据增强等各种生成任务中卓越性能的新型模型，进一步通过在代码空间中引入额外的生成器来增强模型的能力，可用于各种应用的更强大的生成模型。

    Aug, 2023

  • 生成模型的比较分析：使用变分自编码器、生成对抗网络和稳定扩散提升图像合成

    本文研究了三种主要的生成建模框架：变分自编码器（VAEs）、生成对抗网络（GANs）和稳定扩散模型。通过将Grounding DINO和Grounded SAM与稳定扩散模型结合，显著提高了图像的准确性，展示了该研究在图像合成领域的潜在影响和未来的应用方向。

    Aug, 2024