交叉领域潜在调制的变分迁移学习

May, 2022

交叉领域潜在调制的变分迁移学习

Variational Transfer Learning using Cross-Domain Latent Modulation

Jinyong Hou, Jeremiah D. Deng, Stephen Cranefield, Xuejie Din

TL;DR通过引入一种全新的跨域潜在调制机制来实现有效迁移学习，利用源域和目标域的深度表示进行交叉调制，通过可视化的证据得到支撑，我们提出了一种基于变分自编码器框架的解决方案，并在多个迁移学习基准任务中展示了强大的表现，特别是在无监督领域适应和图像到图像翻译方面。

Abstract

To successfully apply trained neural network models to new domains, powerful transfer learning solutions are essential. We propose to introduce a novel cross-domain latent modulation mechanism to a variational autoencod

transfer learning variational autoencoder deep representations unsupervised domain adaptation image-to-image translation

发现论文，激发创造

潜在翻译：通过连接生成模型跨越模态

本篇论文提出了一种基于先前训练的深度生成模型，利用潜变量空间进行无监督跨模态域迁移的新方法，并探索了通过学习一个后续接口来提高模块性的可能性。通过定量和定性的实验证明了该方法的有效性，证明了在迁移过程中局部性和语义对齐得到了保留，而且通过这种模块化结构可以大大加快新接口模型的训练速度。

Feb, 2019

基于变分自编码器的受控解耦的无监督多领域翻译

无监督多领域转换是将数据从一个领域转换到其他领域的任务，我们提出的方法基于改进的变分自编码器，利用两个分离的潜在变量以一种可控的方式实现。我们通过实验证明了我们的方法在不同的视觉数据集上可以提高其他知名方法的性能，并证明了一个潜在变量存储与领域相关的所有信息，而另一个几乎不包含任何领域信息。

Jan, 2024

用于多对多音色转换的调制变分自编码器

本文介绍了使用 Modulated Variational auto-Encoders (MoVE) 在音乐中实现 timbre transfer 的方法，通过使用 Feature-wise Linear Modulation (FiLM) 和 Maximun Mean Discrepancy 减少对抗网络的需要，最终实现了 multi-domain transfer。

Sep, 2018

多模态潜在扩散

介绍了一种基于确定性自编码器和遮蔽扩散模型的多模态生成模型，结果优于现有竞争对手的生成质量和一致性。

Jun, 2023

通过层变分分析解释领域适应

通过层变化分析等方法，本研究建立了深度学习中转移学习的理论模型，揭示了其成功的数据条件与知识传递过程，并且提出了一种针对网络的转移学习方法，有效提高了域适应的效率和准确性。

Feb, 2023

一次性无监督跨域翻译

本篇论文讨论了单张图片从 A 领域转换到 B 领域的问题，提出了一种使用变分自编码器的训练方式，即先训练 B 领域自编码器模型，再根据待转换图片 x 创建 A 领域自编码器模型进行训练，本研究表明，该方法在只有一张样本图片 x 的情况下也能达到与现有领域转换方法相同的表现。

Jun, 2018

无监督领域泛化的分层变分自编码

本文提出了一种基于层次生成方法和变分自编码器的无监督领域泛化算法，能够在不受领域特定信息约束的情况下学习表征并在多种领域设置下优于先前提出的领域泛化算法和现有的其他非生成式方法。另外，作者还提出了基于 ELBO 的模型选择和弱领域监督算法。

Jan, 2021

调制适配器多领域学习

本文提出使用 Modulation Adapters 进行卷积滤波器权重更新的方法，从而在多领域的图像分类任务中取得了比现有最先进方法更好或相当的效果。

Jul, 2023

多模态无监督图像到图像转换的潜在过滤器缩放

我们提出了一种简单的方法，它能够在不增加超参数的情况下产生高质量的多模态输出，将潜在代码视为卷积滤波器的修改器，从而使源域内容与目标域风格解耦。

Dec, 2018

基于可变近似的无监督域自适应在心脏分割中的应用

本研究提出了基于变分自编码器的无监督域自适应方法，通过在两个领域中应用相同参数的变分分布实现域之间的映射，结合分割模块以进行心脏分割，并在两个跨模态和跨序列的心脏分割任务中证明了该方法的有效性和优势。

Jun, 2021