Sep, 2024

Beta-Sigma VAE：在高斯变分自编码器中分离beta和解码器方差

HTML
PDF
TL;DR本研究针对变分自编码器（VAE）输出模糊问题，提出了Beta-Sigma VAE（BS-VAE），该方法明确分离了模型中的beta和解码器方差，从而提高了自然图像合成的性能并提供了可控参数和可预测的分析。通过分析率-失真曲线和计算机视觉数据集的代理指标，我们的实验结果验证了该方法的有效性。
发现论文，激发创造
  • 多阶段变分自编码器用于粗到细的图像生成

    使用多段式 VAE 模型生成高品质图像，通过使用残差块和跳跃连接来增加解码器网络的容量，并使其能够使用多段式生成精细的图像。

    May, 2017

  • 带隐式最优先验的变分自编码器

    该论文介绍的方法通过密度比技巧来达到KL散度的隐式计算，在不模拟聚合后验的情况下，可以使用最优先验，从而在各种数据集上实现高密度估计性能。

    Sep, 2018

  • MAE：变分自编码器的相互后验分歧正则化

    本文介绍了一种新的正则化方法 mutual posterior-divergence regularization，用于控制潜空间的几何结构，从而实现有意义的表征学习，并在三个图像基准数据集上取得了良好的表现。

    Jan, 2019

  • 从变分到确定性自编码器

    提出一种基于正则化的确定性编码器和解码器的生成模型框架，替换VAEs中的随机性来达到优化潜在空间的目的，并通过引入后验密度估计步骤来生成具有相当或更好质量的样本。

    Mar, 2019

  • 噪声对比变分自编码器

    本文理论上探索了几种流行的变分自编码模型，在启发于噪声对比评估算法的基础上，提出了一种新的算法 NC-VAE，在数据重构能力上不会出现后验崩溃问题，提供了新的下界，并在图像和文本数据集上进行了实证展示。

    Jul, 2019

  • 超分辨率变分自编码器

    通过在变分自编码器中添加缩小版本的图像随机变量，提高图像生成的质量表现，使该方法在负对数似然方面和VAE表现相当，同时在数据合成方面获得更好的FID得分。

    Jun, 2020

  • 使用校准解码器进行简单有效的VAE训练

    本文针对VAE模型中的超参数调整问题，研究了校准解码器的作用和对VAE性能的影响，提出了一种简单但有效的高斯解码器改进方法。通过对多种数据集和模型的综合分析，我们得出了使用校准解码器进行VAE训练的建议。

    Jun, 2020

  • Soft-IntroVAE：分析和提升内省变量自编码器

    使用Soft-IntroVAE替换IntroVAE在生成样本中使用的铰链损失项，从而显着提高训练稳定性，并加强了该算法的理论分析。我们展示了IntroVAE会收敛到最小化数据分布之间的KL距离和熵项和的分布，这一结果的影响使得它在图片生成和重建任务中有极好表现，并通过两个应用场景展示了Soft-IntroVAE的竞争力。

    Dec, 2020

  • 显式最小化变分自编码器的模糊误差

    本文介绍了一种新的变分自编码器(VAE)的重构项，它特别惩罚生成模糊图像的能力，同时仍然最大化建模分布下的ELBO。在三个不同的数据集上展示了该损失函数的潜力，优于VAE的几种最近提出的重建损失。

    Apr, 2023

  • 非线性自编码器

    该研究探讨了使用无香精变换来改进变分自编码器生成模型的表现，使用更具信息量和低方差的后验表示来确保更高质量的重建，并使用Wasserstein分布度量来替换KL散度以允许更快的后验分布，最后得到了一种竞争力强的确定性采样VAE，可在脚手架分数上提高性能，训练方差较低。

    Jun, 2023