Jul, 2023

轨迹感知主流形框架用于数据增强和图像生成

PDF
TL;DR本研究通过验证在特征空间中使用主要流形分布相对于高斯分布的理论和实际优势，提出了一种新颖的轨迹感知主要流形框架，用于恢复流形骨干并沿特定轨迹生成样本。此外，通过引入一个内在维度正则化项，该框架能够使流形更紧凑，并实现少样本图像生成。实验结果表明，该框架能够提取更紧凑的流形表示，提高分类准确性，并在少样本之间生成平滑的变换。
data augmentationdeep learningprincipal manifoldimage generationautoencoder architecture
发现论文，激发创造
  • 深层生成模型的度量标准

    通过将 Riemannian 几何的思想应用到该领域，我们提出了一种基于最短路径计算的距离度量方法，可以获得基于原则的距离度量，提供深度生成模型的视觉检查工具和运动泛化工具。

    Nov, 2017

  • 具随机游走采样的变分扩散自编码器

    本文提出一种方法，将变分自编码器和生成对抗网络与扩散映射相结合，创建了一个继承扩散映射渐近保证的生成模型，同时保持深度模型的可扩展性。

    May, 2019

  • 扩散模型中的流形导向采样用于无偏图像生成

    本文提出了一种通过使用流形引导来减轻扩散模型中数据偏置的方法，该方法可以在不改变模型架构或需要标签或重新训练的情况下，改善生成图像的品质和无偏性。

    Jul, 2023

  • 流形上的投影梯度下降算法

    本文提供了一种可计算、直接且数学严谨的方法，用于近似高维数据的类流形的微分几何，以及从输入空间到这些类流形的非线性投影。该方法应用于神经网络图像分类器的设置中，在流形上生成新颖的数据样本，并实现了流形上的对抗训练的投影梯度下降算法，以解决神经网络对对抗性攻击的敏感性问题。

    Aug, 2023

  • 通过深度度量学习进行流形匹配，用于生成建模

    本文提出了一种流形匹配方法来生成模型，该方法包括分布生成器和度量生成器，通过学习距离度量来生成符合真实数据流形的样本，并且应用于无监督和有监督学习任务，得到了良好的效果。

    Jun, 2021

  • 具有几何正则化的可扩展和可逆流形学习自编码器

    本文提出了一种基于自动编码器与流形学习结合的数据探索方法，利用几何正则化项鼓励学习得到的潜在表示沿着数据的内在几何结构发展，并与常规方法相比较，证明该方法在保留内在结构、扩展能力和数据重构方面具有优势

    Jul, 2020

  • 图像流形的概率和语义描述及其应用

    该论文介绍了用于估计图像概率密度函数的方法，研究了生成模型在 AI 和计算机视觉领域的应用，探讨了用于防御对抗性攻击的可能性，并讨论了语义解释在描述图像上的应用。

    Jul, 2023

  • 通过流形假设的视角解析深度生成模型：一项调查与新连接

    深度生成模型与流形假设之间的相互作用引起了人们的广泛关注。本文通过流形视角对 DGM 进行了首次调查，并对其进行了两个新的贡献：首先，形式上证明了高维似然函数的数值不稳定性是无法避免的；其次，发现基于自编码器的 DGM 可以被解释为近似最小化 Wasserstein 距离，这一结果有助于解释其出色的实证结果。流形视角提供了理解 DGM 的丰富视角，我们希望能够使之更加易于理解和推广。

    Apr, 2024

  • 具有变分李群算子的流形对比学习

    本文提出了一种对抗学习方法，使用 Lie 群算子直接建模深度神经网络的潜在流形，在图像数据自监督评估和少标注的半监督任务中都表现出了良好的性能。

    Jun, 2023

  • 流形学习的规范正则化流模型

    通过学习具有少量维度流形的生成建模技术，提出一种新的建模流方法，实现了对数据的高效表示，从而更好地近似目标分布并产生较低的 FID 分数。

    Oct, 2023