Nov, 2023

PDF 投影与正规流和 SurVAE 的比较

PDF
TL;DRNormalizing flows (NF) and Surjection VAE (SurVAE) are approaches that extend generative networks with exact likelihood calculation to dimension-altering transformations, but they are discovered to be a re-invention of the more developed PDF projection method.
发现论文，激发创造
  • SurVAE Flows: 通过满射函数填补 VAE 与 Flow 模型之间的鸿沟

    本文提出了 SurVAE Flows 作为一个模块化的框架来组合深度学习中的生成模型 Normalizing flows 和 Variational autoencoders，通过使用双射变换来建模密度和可逆变换，桥接了两种模型之间的差距，同时介绍了一些通用操作。

    Jul, 2020

  • 归一化流的变体和放宽

    通过结合其他生成模型类别的方面，如 VAEs 和基于分数的扩散，放宽了 NFs 的严格双射约束，从而实现了表达能力、训练速度、样本效率和似然可追踪性的平衡。

    Sep, 2023

  • 卷积归一化流

    该研究论文介绍了一种基于神经网络和正则化流的灵活变分后验分布逼近方法，提出了一种名为 ConvFlow 的新型正则化流方法，并证明了其在合成和实际问题中的有效性和效率。

    Nov, 2017

  • 高维变分推理的稳定正则流训练

    通过使用软阈值和双射软对数变换方法，本文提出了稳定训练 Real NVPs 并在高维情景下实现更准确的后验近似的方法。

    Feb, 2024

  • 利用 Householder 流改进变分自编码器

    本论文提出了一种基于 Householder 变换的体积保存流方法，改进了变分后验分布的灵活性并在 MNIST 数据集和组织病理学数据中获得了理想的结果。

    Nov, 2016

  • SIReN-VAE: 基于流和分摊推断的贝叶斯网络优化

    本文探讨了如何将贝叶斯网络中的任意依赖结构引入变分自编码器 (VAEs) 中，通过引入图形残差流来实现。我们在多个合成数据集上比较了模型的性能，并展示其在数据稀缺情况下的潜力。

    Apr, 2022

  • 使用条件正则流学习似然函数

    本文介绍了一种新方法，叫做 CNF，用于建模条件密度函数和解决结构预测问题，同时证明了该方法在超分辨率和血管分割等任务上具有竞争力。

    Nov, 2019

  • 逆自回归流提高变分推断

    本文提出了一种新型正则化流架构 —— 逆自回归流，它是一种基于自回归神经网络的可逆转换链。实验结果表明，逆自回归流显著改善了高维空间中对角高斯近似后验的变分推断，同时也证明了，结合逆自回归流的新型变分自编码器，在自然图像的对数似然度方面，与神经自回归模型相当，同时合成速度显著更快。

    Jun, 2016

  • NVAE: 深度分层变分自编码器

    提出了一种用于图像生成的深度分层变分自编码器（NVAE），其使用深度分离卷积和批归一化。NVAE 在 MNIST、CIFAR-10、CelebA 64 和 CelebA HQ 数据集上取得了最先进的结果，并为 FFHQ 提供了强大的基准。NVAE 是最成功的 VAE 应用于自然图像，尺寸达到了 256x256 像素。

    Jul, 2020

  • 基于归一化流的医学图像分割不确定性量化

    提出了一种基于条件归一化流变换的新型条件生成模型 cFlow Net，用于医学图像分割领域，实验结果表明在定性定量指标上相比最近的 cVAE 基于的模型有显著提高。

    Jun, 2020