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

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
  • 双判别器生成对抗网络

    本文提出了一种名为双判别器生成对抗网络（D2GAN）的生成对抗网络算法，该算法使用 KL 散度和反 KL 散度，避免了多峰性分布的崩塌问题，并在广泛的实验中证明了与最新 GAN 算法相比的竞争和卓越性能。

    Sep, 2017

  • 考虑深度生成神经网络生成边界的高效探索采样

    本文提出一种通过生成边界和探测内部模型机制的探索性采样算法，可以更加高效地从已有模型中获取具有相同属性的样本，并在内部层次上分析 DGNN 的生成机制。相比以 ε 为基础的采样方法，本算法也能更好地找到更具代表性的样本。

    Dec, 2019

  • 多样性感知图像生成

    本文提出了一种基于核函数的度量表示方法，该方法能够从目标度量中近似得到新的对象，从而比生成对抗网络（GAN）和变分自编码器（VAE）等算法产生更多多样化的图像。

    Feb, 2022

  • 用高斯混合生成对抗网络来处理多样化数据集和图像的无监督聚类

    本文提出了一种基于对抗生成网络的模型 GM-GAN，其中对概率分布进行了控制，使得模型在高维度多样化数据集上的表现得以提高，并在合成图像和真实数据集上进行了多次实验证明了该模型的性能等方面的优势。

    Aug, 2018

  • 用去噪漂移 GAN 解决生成学习三难问题

    本文提出了一种基于多模式条件 GAN，使其具有高样本质量、高模式覆盖和快速采样三个特性的去噪扩散生成对抗网络，同时在 CIFAR-10 数据集上比原扩散模型快 2000 倍，并且是第一种将采样成本降至足够低以便于应用于实际应用的模型。

    Dec, 2021

  • 通过判别器梯度流完善深度生成模型

    通过熵正则化的 f - 散度梯度流技术，可以提高生成数据的质量，避免了浪费的样本拒绝，可以应用于各种生成系统，并取得了显著的效果优于 DOT 和 DDLS 方法。

    Dec, 2020

  • 变分梯度流深度生成学习

    提出 VGrow 框架来学习深度生成模型，通过 $f$-divergence 进行梯度流，使用 logD-trick GAN 来作为新的目标函数评估不同的散度，结果表明 VGrow 可以生成高保真图像并且表现优异。

    Jan, 2019

  • 迭代生成模型中的知识蒸馏以提高采样速度

    本篇论文介绍了一种新的技术，将多步去噪过程压缩为单步的知识蒸馏方法，从而提高图像生成的采样速度，且不需要对抗训练，通过在 CIFAR-10、CelebA 数据集上的实验表明，我们的去噪学生 Denoising Student 能够生成与 GANs 相当的高质量样本，并可扩展到更高像素的图像生成任务。

    Jan, 2021

  • 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

  • 利用高斯化的潜空间改善 StyleGAN 中的反演和生成多样性

    本文研究了生成式对抗网络中的潜在向量空间中数据分布模型，提出了一个简单的高斯先验模型，用于规范图像向潜在空间的映射，这样生成的图像更加平滑和稳定，同时维持多样性和减少生成图像中的伪像。

    Sep, 2020