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