CVPRJun, 2023

快乐的人 -- 在深度生成模型的离散潜在空间中将图像合成视作黑盒优化问题

PDF
TL;DR本文提出了一种基于树状集成模型和离散潜在向量自编码器的图像生成方法，能够优化生成样本的可量化特性，推动了数据分布的转移，可在训练数据分布边界得到更好的表现。
发现论文，激发创造
  • 通过加权重新训练，在深度生成模型的潜在空间中实现高样本效率的优化

    提出了一种利用深度生成模型进行优化的方法，通过周期性地在优化轨迹中重新训练生成模型并根据目标函数值加权来有效地提高样本效率和性能。

    Jun, 2020

  • 潜在约束：从无条件生成模型学习有条件生成

    本文提出了一种方法，通过后续学习潜在约束来在不重新训练模型的情况下进行条件生成，并结合逼真的条件生成可生成逼真的有条件图像。同时，该方法使用了基于梯度的优化来演示保持恒等的变换，以最小调整潜在空间以修改图像属性的方法。最后，结合离散的音符序列进行零样本条件生成，无需标记数据或可微分奖励函数。

    Nov, 2017

  • 可控的图像生成与组合的并行标记预测

    通过组合离散生成模型的对数概率输出，我们提出了一种可控条件图像生成的公式，该方法在 FFHQ、Positional CLEVR 和 Relational CLEVR 三个不同场景中实现了最先进的生成准确性，并达到了竞争性的 Fréchet Inception Distance (FID) 得分，平均生成准确性为 80.71％，平均 FID 为 24.23，与其他方法相比具有 2.3 倍至 12 倍的速度优势，并提供了可解释的控制性维度以及对文本 - 图像生成的精细控制能力。

    May, 2024

  • 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

  • 生成模型的自适应密度估计

    该论文研究了无监督学习中生成模型的训练方法，提出了一种在对抗网络与似然训练之间进行混合训练的方法，其中使用深度可逆变换来解决概率和逆变换之间的冲突，实现了更好的生成样本和更高的似然性评估。

    Jan, 2019

  • 使用深度生成模型进行姿势引导的时尚图像合成

    本文提出了一种基于新颖的深度生成模型的图像迁移方法，可以在保持服装一致的情况下将一个人的图像从一个给定的姿势转移至一个新的姿势，使用图像编码器、姿势编码器和解码器的结构，同时利用两个鉴别器来指导产生过程。经过严格的实验，在两个数据集上定量和定性地验证了该方法的效果。

    Jun, 2019

  • 利用解码器不确定性提高 VAE 潜空间中的黑盒优化

    使用表观不确定性来指导潜在空间内的优化过程，利用重要性采样估计表观不确定性来生成更真实且有效的高维离散对象，在数字生成、算术表达式逼近和药物设计的分子生成等多个实验中都表现出优异的性能。

    Jun, 2021

  • 图像合成的无监督鲁棒性潜在特征分离

    通过学习一个新的方法，深度生成模型可以不需要姿态注释便可学习到表征物体外观和姿态等属性的独立潜在特征，这些特征是可以解释的，且能够生成和修改图像。

    Oct, 2019

  • 任意姿态下无监督人物图像合成

    本文提出了一种使用生成式对抗学习的新方法，用于综合产生任意姿势的具有照片级真实感的人物图像。研究通过无监督的方式来处理此问题，并且将其分解成两个主要子任务，一是姿势条件的双向生成器，二是定义一个新型的损失函数，包含内容和风格项，旨在生成高感知质量的图像，可以在 DeepFashion 数据集上进行广泛的实验验证。

    Sep, 2018

  • 通过潜在空间映射的人脸身份分离

    本文提供了一种使用预训练网络来学习数据的解缠表示的方法，以实现最小的监督，同时展示了该方法在头部图像领域上成功将身份从其他面部属性中解缠并显示出较好的评估结果。

    May, 2020