复杂性的重要性:重新思考生成建模的潜空间
这篇文章介绍了一种对变分自动编码器 (VAEs) 进行简单扩展的方法,通过渐进性减小潜空间大小来自动确定训练过程中的最佳潜空间大小,并将该方法与传统的超参数网格搜索进行比较,结果表明其速度显著更快,且在四个图像数据集上实现了最佳的维度。此外,还证明了我们方法的最终性能与从头开始训练的最佳潜空间大小相当,因此可能作为一种便利的替代方法。
Dec, 2023
我们提出了一种自编码器方法,通过重新组织 StyleGAN 的潜空间,使我们希望编辑的每个属性对应于新潜空间的一个轴,同时确保潜空间轴之间的相关性降到最低,以促进属性解缠,通过实验证明了我们的方法在编辑能力上超越了竞争方法,同时在保持图像身份一致性方面与原始图像具有高度的准确性,我们的自编码器结构简单明了,易于实现。
Dec, 2023
本文研究生成对抗网络(GANs)中的潜在空间与三维对象的关系,探讨了几种 GAN 的变体和训练方法,旨在提高 3D GAN 的训练效果,同时提出了未来研究的方向。
Apr, 2023
本文第一次对生成自编码器的最坏情况容忍性进行研究,发现在某些情况下,恶意攻击者可以利用潜在空间攻击常见的生成自编码器,同时我们通过实验还发现了生成自编码器与其确定性变体之间的差异,并考虑了在最坏情况容忍性和潜在代码解缠之间的潜在权衡。
Jul, 2023
本文介绍了一种通过利用生成自编码器的潜在句子表示来实现可控制文本生成的方法。作者提出了一种改进自动编码器的方法,被称为 DAAE,该方法可以在维持生成质量的同时,提高模型中的潜在空间几何性,从而实现了通过简单潜在向量算术进行全零文本风格转换。
May, 2019
本文使用生成流形模型改变自编码器的潜在空间,以适应数据中的低维流形结构并学习复杂系统的潜在动态,生成转换路径并对属于同一转换路径的样本进行分类。
Dec, 2019
本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制,并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量,这一方法可以有效地优化潜在空间的优化等应用,并便于解释变换维度。
Jan, 2021