CVPRNov, 2021

基于 Mini-Batch 特征交换的三维形状变分自编码器潜在因素解耦 —— 以身体和面部为例

PDF
TL;DR本文提出了一种直观而有效的自监督方法，通过跨不同形状交换任意特征来培训三维形状变分自编码器，从而鼓励特征的解缠缚潜在表示。实验结果表明，我们开发的方法正确解耦了身体和面部特征的生成，同时保持了良好的表示和重构能力。
发现论文，激发创造
  • 生成式潜在形状模型的几何分离

    本文提出了一种无监督的方法来将三维点云的变分自编码器的潜空间进行划分，结果展现出直观可解释的行为，在姿态转换和姿态感知形状检索等任务上表现出色，为人工智能中 3D 形状表示问题提供重要思路。

    Aug, 2019

  • 网格式变分自编码器中的潜在解缠有助于颅面综合征的诊断及手术规划

    深度学习在人头部的形状分析方面具有巨大潜力，本文介绍了使用 Swap Disentangled Variational Autoencoder (SD-VAE) 对 Crouzon、Apert 和 Muenke 综合征进行分类和研究，同时第一次分析了头部各个区域对综合征表型的影响，并通过调整生成模型的特定参数和生成特定程序的新形状，模拟了一系列颅颜面手术的结果，从而为进一步的诊断、手术规划和手术效果的客观评估开辟了新的途径。

    Sep, 2023

  • 引导式变分自编码器用于分离式学习

    设计一种算法 Guided-VAE，通过提供信号来实现 VAE 的潜在编码 / 嵌入，以学习可控的生成模型，该算法在表示学习，合成 / 采样改进，分类中取得了更好的效果

    Apr, 2020

  • 多层变分自编码器：从分组观察中学习解耦表示

    提出了 Multi-Level Variational Autoencoder 用于学习语义上相关并解耦的潜变量表示，将工作集中在组别和个体水平上的同时保持高效的测试时推理，以便对相关变量进行无监督控制。

    May, 2017

  • 通过循环一致变分自编码器分离变异因素

    本文提出了一种使用弱监督来将潜在空间分离成两个互补子空间的新架构，使用变分自编码器中的循环一致性，获得鼓舞人心的结果，并与利用对抗训练的最近作品进行了比较。

    Apr, 2018

  • 门控变分自编码器：融合弱监督以促进解缠

    本文讨论了利用弱监督方法进行可变自编码器（Variational AutoEncoders，VAEs）的训练过程，并提出了一种称为 Gated-VAE 的新模型来实现 VAEs 的解缠结性。该方法包括对表示嵌入进行划分和门控反向传播。实验结果表明，采用门控反向传播，比采用不带门控的 VAEs 模型在平均解缠结度、完整度和信息量方面都有所提高。

    Nov, 2019

  • 基于潜变量交换的弱监督学习解耦表示的 SW-VAE 模型

    提出一种名为 SW-VAE 的新型弱监督训练方法，该方法利用数据集的生成因素将输入观测对作为监督信号进行训练，并且引入了逐渐增加学习难度的策略来平滑训练过程。通过多个数据集的实验证明，该模型在表示分离任务上显示出明显的优于最先进方法的改进。

    Sep, 2022

  • 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

  • 解开海马形态变异：使用对比学习的图形变分自编码器研究神经学障碍

    本研究通过使用图变分自编码器和有监督对比学习的方法，对神经系统疾病背景下弥漫张量成像数据集中的海马形态变异进行了细致研究，以提高其可解释性和分离出与年龄和疾病存在相关的两个独立潜变量。通过对合成的 3D 环面网格数据和真实的 DTI 海马数据集进行评估，我们的有监督分离模型在离散度分数方面优于其他先进方法，对多发性硬化症（MS）患者的年龄组和疾病状态进行了区分，并显示了不同年龄下 MS 人群海马体积变化的结果，与当前神经成像学文献一致。这项研究对于了解不同年龄组 MS 人群的神经系统疾病与海马形态变化之间的关系提供了有价值的洞察。

    Mar, 2024

  • 基于分组学习的去耦合表示学习方法，具有对新领域具有良好的泛化能力

    本研究提出了一种基于组的变分自编码器模型，能够从多个数据集中无需标签的情况下，对数据进行解耦，并将其分为内容因素与变化因素，从而实现变换不变性和内容泛化能力。

    Sep, 2018