多目标卷积自编码器神经进化 (MONCAE)
本研究采用进化算法来搜索优化简单的卷积自编码器,用其进行图像恢复任务,无需采用对抗训练和复杂的损失函数,实验结果在 CelebA 和 SVHN 数据集上表现出色。
Mar, 2018
本文提出了一种灵活的卷积自编码器和一种使用粒子群优化的架构发现方法,该方法可以自动搜索最优架构,结果表明,该方法在图像分类方面的表现明显优于同行竞争对手,包括最先进的算法。
Dec, 2017
本文提出了一种基于深度学习的图像压缩架构,利用卷积自编码器的优势达到了更高的编码效率,并利用主成分分析来产生一个更加能量紧凑的表示,实验结果表明,该方法相对于传统的图像编码算法在 Kodak 图像数据库上获得了 13.7%的 BD 速率降低,而且与 JPEG2000 具有类似的复杂度。
Apr, 2018
通过引入一种简单的循环变分自编码器结构,我们在图像建模方面取得了显著进展,实现了割裂了关于全局概念信息和底层细节的分离,达到了无监督学习的基石之一。同时,我们通过仅存储关于图像的全局信息,实现了高质量的 ' 概念压缩 '。
Apr, 2016
本文介绍了一种基于块的端到端自编码器图像压缩系统,其主要贡献包括模拟二值化、多网络可变比特率、熵友好表示、推理阶段代码优化和性能优化归一化层。我们评估并展示了每个贡献的增量性能提高。
May, 2018
本研究提出了一种高效的层级无监督训练深度卷积神经网络的学习策略,采用随机凸化的重构压缩自编码学习目标,并通过坐标下降法在频域中解决 resulting large-scale convex minimization problem,具有单个可调优化参数,快速且有保证的收敛以及全并行计算的可能性,在实验中得到良好的效果。
Nov, 2016
本文提出了一种基于深度卷积自编码器的新颖模型,用于从野外拍摄的单幅彩色图像重建三维人脸。通过将卷积编码器与专家设计的生成模型相结合,提出了一种新的可微分参数解码器。该解码器将基于生成式模型的图像形成解析包括在内,以输入的码向量作为输入,从单个单眼输入图像中提取具有明确定义语义含义的参数。该文章的一个突破是在无监督的情况下,首次实现了 CNN 编码器和专家设计的生成模型的端到端训练,这使得对非常大的(未标记的)真实世界数据进行训练成为可能。所得到的重建结果在质量和表示的丰富性方面均优于当前最先进的方法。
Mar, 2017