BriefGPT.xyz
Ask
alpha
关键词
codebook collapse
搜索结果 - 5
HQ-VAE:具有变分贝叶斯的分层离散表示学习
基于变分贝叶斯框架,提出一种新颖的统一框架,即分层量化变分自动编码器(HQ-VAE),其以离散表示形式随机学习层次化的离散特征,并解决了分层 VQ-VAE 中的代码本 / 层级坍塌问题,从而提高重建性能。
PDF
6 months ago
LL-VQ-VAE:可学习的格点向量量化用于高效表示
本文介绍了一种可学习的格矢量量化方法 (LL-VQ-VAE),并证明其对于学习离散表示的有效性。与 VQ-VAE 相比,在相同的训练条件下,我们的方法在重建误差方面较低,训练时间更短,并且具有恒定的参数数量(等于嵌入维度 D),使其成为一种
→
PDF
9 months ago
EdVAE:使用证据离散变分自动编码器缓解码书塌陷
提出了一种名为 EdVAE 的模型,通过使用证据深度学习(EDL)来解决 dVAE 的代码书坍塌问题,同时提高重建性能和代码书使用率。
PDF
9 months ago
在线聚类码本
参考文献通过在线聚类学习方法 Clustering VQ-VAE(CVQ-VAE)解决了向量量化(VQ)中的代码书坍塌问题,提高了在复杂的计算机视觉任务中学习更大的代码书的效果。
PDF
a year ago
ICML
SQ-VAE:自退火随机量化的离散表征变分贝叶斯
本文提出了一种名为 SQ-VAE 的新型训练方法,通过引入一种名为自退火的随机量化方法,扩展标准变分自编码器来提高编码本的利用率,并在视觉和语音任务中优于 VAE 和 VQ-VAE
PDF
2 years ago
Prev
Next