Jan, 2023

Simplex 自编码器

PDF
TL;DR基于 Autoencoder 模型的 latent space，我们提出了一种新的方法，将其建模为一个 simplex，从而为确定混合模型中成分的数量提供了一种新颖的启发式方法。利用概率质量函数的抽样方法，我们在 MNIST、CIFAR-10 和 Celeba 数据集上验证了该方法的性能，取得了良好的成果和较低的图像评价指标 FID 值，并在 MNIST 数据集上达到了目前最佳的 GAN-held 记录。
synthetic data generationautoencodermixture modellatent spaceimage generation
发现论文，激发创造
  • 通过量化和概率质量函数概念从自编码器的潜空间采样

    通过概率质量函数的概念，结合量化处理，我们引入了一种新颖的后训练采样算法，该算法可以从生成模型的潜在空间中取样，使得重建的样本更接近真实图像。我们的方法在速度上大大提高了运行效率，性能优于基于高斯混合模型的采样技术，并在一系列模型和数据集上展现了显著的改进。我们还证实了我们的方法在估算潜在空间分布方面的有效性，相比于高斯混合模型的采样技术，特别是通过 Wasserstein 距离的比较。

    Aug, 2023

  • 复杂性的重要性：重新思考生成建模的潜空间

    本研究探讨了生成建模中潜在空间选择的最优解以及其确定过程，并提出了一种新的距离度量方法和具体的训练策略来优化潜在空间的选择，进而提高生成效果。

    Jul, 2023

  • 学习非参数高维生成模型：经验贝塔 - 科普拉自动编码器

    通过从自动编码器的潜空间进行采样并将样本解码到原始数据空间，可以将任何自动编码器简单地转变为生成模型。本研究旨在讨论、评估和比较可以用于捕捉潜空间的各种技术，以使自动编码器成为生成模型，同时追求简单性。其中，考虑了一种基于 copula 的新方法，即经验 Beta Copula 自动编码器。此外，我们还提供了关于这些方法进一步方面的见解，例如有针对性的采样或合成具有特定特征的新数据。

    Sep, 2023

  • 感知生成自编码器

    本文介绍了一种名为感知生成自编码器的新型生成模型。该模型通过将生成的和目标分布映射到一个潜空间中，并用具有理论依据的数据和潜空间重构损失同时在数据空间和隐空间中强制同步，从而能够在无限制的神经网络体系结构和任意数量的潜在维度上推广可逆生成模型的思想，并且在样本质量方面显著优于传统自编码器和其他基于自编码器的生成模型。

    Jun, 2019

  • 生成类别有条件的自编码器

    本文将 Bengio 等人提出的去噪自编码器的采样程序扩展到了 gated 自编码器，实现了在 MNIST 数据集中的分类条件采样。

    Dec, 2014

  • 使用蒙特卡罗 dropout 生成数据

    研究利用 Monte Carlo Dropout 方法为基础实现的自编码器与变分自编码器，并比较其生成数据集的统计属性、结构相似性和预测相似性与真实数据集的相似性，结果表明两种方法基本相似，并且都能够生成与特定数据相似的数据。

    Sep, 2019

  • GAN 的最佳精度

    研究深度生成模型的潜在空间几何结构及优化条件，通过实验提出限制方法，提高生成对抗网络的性能。

    Jul, 2022

  • 混合自编码器用于自监督视觉表征学习

    本文研究了 Masked Autoencoder 的数据扩增问题，提出了基于同源识别的 Mix Autoencoder 方法，通过自监督预训练可以提升下游视觉任务表现，在 ImageNet、ADE20K 和 COCO 数据集上 outperforms 了 MAE 和 iBOT 的方法。

    Mar, 2023

  • 使用自编码器和生成对抗网络的方法处理多组学数据的不平衡类别和分类

    该研究使用神经网络结合自编码器提取特征的潜在空间，并利用生成对抗网络 GAN 生成合成样本，以解决医学数据集中的样本不平衡和高维数据降维的挑战，并在膀胱癌数据集和乳腺癌数据集上分别取得了 95.09% 和 88.82% 的准确度。

    May, 2024

  • 使用去噪自编码器提高生成设计的可信度评估

    使用深度生成模型（DGM）进行生成设计的研究表明，常用的评估指标往往不能准确评估结构不合理性，本研究提出基于简单去噪自编码器（DAE）的度量方法，在三个数据集上与 Fréchet Inception Distance 和其它先进指标进行对比实验，结果表明基于 DAE 的指标能够有效检测不合理的结构并与人工专家的结构检查结果相一致。

    Mar, 2024