- MM通过在辅助空间中使用 Gumbel-Softmax 抽样进行多样化的人体动作预测
该文章提出了一种基于 Gumbel-Softmax 采样和 hinge 损失函数,通过在辅助空间内进行随机采样来实现从深度生成模型中多样化采样的新策略,并通过大量实验证明其在人体运动预测方面的效果显著优于现有策略
- CVPR极性抽样:通过奇异值控制预训练生成网络的质量和多样性
本文提出了一种基于连续分段仿射样条的深层生成网络 (DGN) 输出空间分布的极性采样方法,该方法可以提高不同条件下 DGN 的生成质量和多样性。
- ICLRMaGNET: 无需重新训练,在深层生成网络流形中进行均匀采样
MaGNET 是一种使用理论基础的潜空间采样器,可使先前训练的 DGN 生成的样本分布均匀且公平,不需要标签或重新训练,而且实验表明 MaGNET 采样可以提高分布精确度和准确度并减少性别偏差。
- 通过分布和特征层次了解深可逆网络的异常检测
我们提出了两种方法来解决通过最大似然训练的深度生成网络在异常检测时的问题,并通过 log likelihood ratios 和多尺度模型,提高了检测性能。
- AAAI在编码神经网络潜空间中表示闭合变换路径
本文使用生成流形模型改变自编码器的潜在空间,以适应数据中的低维流形结构并学习复杂系统的潜在动态,生成转换路径并对属于同一转换路径的样本进行分类。
- Copula&边缘流:将边缘与其联合分离
本论文通过引入 copula 和 marginal generative flows (CM 流),解决了深度生成网络中存在的尾部特性建模或外推的问题并提出了上界方法。最终的结果支持了 CM 流的使用。
- 通过潜在空间恢复检测深度生成网络的过拟合
本文通过分析重构误差的统计数据,揭示并证明了当使用纯粹的 GAN 模型时过拟合是不可检测的,而混合式对抗性损失则可以被检测到。此外,本文还表明了标准的 GAN 评估指标不能捕捉到某些深度生成器的记忆效应。最后,本文还展示了如何使用提出的重构 - 揭露由人工智能生成的虚假脸部视频:通过检测眨眼来实现
本研究介绍了一种基于神经网络生成的虚假脸部视频中眼部眨眼检测方法,测试结果表明该方法在多个数据集上表现良好,能有效暴露 DeepFake 等虚假视频。
- 使用强化对抗学习合成图像程序
通过使用图形引擎和敌对训练,我们设计了一个无监督的生成模型,可以通过输出与真实数据不可区分的渲染图像来提高图像生成的效果。
- 利用深度生成先验的盲图像去卷积
该论文提出了一种使用深度生成网络作为先验进行盲图像去卷积(盲去模糊)的新方法,通过使用两个单独的生成模型以及卷积网络,我们提出了一种交替梯度下降方案,可在较大的模糊和噪声下获得有希望的去模糊结果,最终在更加多样化的自然图像数据集上获得了扩展 - 高维深度网络推理
本文介绍了一种深度随机神经网络的推理方法,称为多层向量近似信息传递(ML-VAMP),通过推导模型的均方误差(MSE),它在高维度下具有严格的性能可达性结果。
- NIPS可学习的视觉标记
本论文提出了一种基于深度生成网络设计可视标记的新方法,该方法综合考虑了与标记制造和扫描相关的典型光度和几何变形,能够自动适应使用场景和所需容量,并能够将信息编码与艺术风格相结合。