Apr, 2024

在双重差异空间中的深度生成采样：一种数据高效且解释性的生成人工智能方法

HTML
PDF
TL;DR利用信息理论，本文通过在优化的一维双重差异空间中直接进行生成抽样，揭示了图像的分布特征以及像素之间的全局和局部依赖结构，提出了一种基于渐变插值的生成新样本的算法，并辅以减少样本复杂性的方法，证明了该方法优于现有的深度学习方法。
发现论文，激发创造
  • f-GAN: 使用变分差异最小化训练生成性神经采样器

    本文研究了生成性神经采样器的概率模型及训练方法，探讨了各类分歧函数的使用对训练效率和生成模型的影响。

    Jun, 2016

  • 生成网络的采样

    介绍了几种用于采样和可视化生成模型的潜在空间的技术，包括通过球面线性插值代替线性插值以防止背离模型先验分布并生成更清晰的样本，使用J-Diagrams和MINE grids 可视化类比和最近邻创造的流形，提出使用数据复制的偏差校正向量和使用数据增广的合成向量来推导属性向量的两种新技术，提出使用属性向量进行二元分类以支持潜在空间的定量分析，这些技术大多数都是独立于模型类型的，演示了变分自编码器和生成对抗网络的示例。

    Sep, 2016

  • 深度生成模型中的偏差和泛化: 一个实证研究

    本文提出一个系统研究深度生成模型的偏差和泛化的框架，并通过认知心理学实验方法探讨其生成新属性和组合的特点与人类心理学的相似之处。作者发现这些模式与常用模型和结构一致。

    Nov, 2018

  • 具有潜态扩散的生成模型采样与推断的理论保证

    本文介绍和研究了一类概率生成模型，其中潜在对象是有限时间间隔上的有限维扩散过程，观察变量是在扩散的终端点条件下绘制的。 通过随机控制的视角，我们为这种生成模型的采样和变分推断提供了统一的观点，并量化了基于扩散的生成模型的表现力。我们最后提出并分析了一个无偏模拟的方案，并提供了结果估计值的方差上限。这个方案可以实现为深度生成模型并具有随机层数。

    Mar, 2019

  • 利用前向模型的扩散：无需直接监督解决随机逆问题

    本文提出了一种基于去噪扩散概率模型的条件生成模型，通过把一个已知的、可求导的正向模型集成到去噪过程中，实现了间接观测信号的采样， 并在三项具有挑战性的计算机视觉任务中进行了验证。

    Jun, 2023

  • 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

  • 使用扩散模型进行未见图像合成

    通过使用预训练和冻结的去噪扩散概率模型 (DDPM) 来逆向编码并优化隐藏域，从未见过的域图像合成，证明了这种新颖视角探索和重新思考扩散模型的数据合成广义能力的有效性。

    Oct, 2023

  • 视觉中的生成人工智能：模型、度量和应用的综述

    这篇综述论文提供了关于生成式AI扩散和传统模型的全面概述，主要介绍了它们的基本技术、在不同领域的应用以及所面临的挑战，旨在为研究人员和从业者提供全面了解，并激发未来在这个令人兴奋的人工智能领域的创新。

    Feb, 2024

  • 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

  • 基于似然的条件深度生成模型下的分布回归方法

    本研究解决了条件深度生成模型在高维空间中进行分布回归的理论问题，分析了似然估计在大样本下的性质。研究发现，这种方法能够有效地克服维度诅咒，并且能够学习更广泛的近乎奇异的条件分布，同时强调了在数据接近流形时引入小噪声的重要性。

    Oct, 2024