关键词disentanglement learning
搜索结果 - 12
- CVPR在深假检测中保持公平性泛化
通过同时考虑特征、损失和优化方面，我们提出了第一个在深度假像检测中解决公平性泛化问题的方法，采用解缠学习提取人口统计和领域无关的伪造特征，并将它们融合在一起，以在交叉领域的深度假像检测中鼓励公平学习。在知名深度假像数据集上进行的广泛实验证明 - 无跳跃连接的换脸强化去混叠
提出了一种名为 'WSC-swap' 的新的面部交换框架，通过消除 skip connections 并利用两个目标编码器来分别捕获非脸部区域属性和脸部区域的语义非身份属性，并使用对抗训练中的身份移除损失和 3DMM 模型中的非身份保留损失 - TC-VAE: 揭示数据生成因素中的外部分布
使用 TC-VAE 模型分析非均衡数据生成因素对生成模型的影响，并显示该模型能够发现不在数据集中显示的越界生成因素。
- 具有信息瓶颈递减的变分自编码器用于解缠
提出了一种新颖的降维自编码器 DeVAE，可以在不同层次优化多个目标，通过逐步减少信息瓶颈来平衡解缠结和重构保真度，从而解决解缠结学习中信息扩散问题，并且可以在高维潜空间中获得良好的平衡。
- AAAI面向概念表示评估的鲁棒度量方法
本文介绍了在 deep learning 模型的 concept-based explanations 框架下使用 disentanglement learning 模型的相关指标来评估 concept representations 的纯 - 自监督解缠学习预测人类移动
通过提出一种名为 SSDL 的新算法，该算法使用深度神经网络来处理大规模空间 - 时间轨迹数据，利用离散学习的方法提取潜在的时间不变和时间变化因素，通过增强不同的轨迹增强方法来解决稀疏性问题和探索历史签入背后的异构协作信号，以解决下一个 P - ICML可交换李群变分自编码器用于分离学习
通过将数据变化编码为 Lie 群的结构，我们提出了一种利用变换等变地表示变化的不受限制的、自适应优化的组结构，实现了无监督的解缠结学习，并在不增加额外约束的情况下取得了最先进的性能。
- 变分自编码器的解缠学习在音视频语音增强中的应用
本文提出了一种适用于变分自动编码器的对抗训练方案，用以将标签与变量区分开来，提高语音增强的性能。通过对比标签估计值和实际值，可以证明该方案的有效性。
- ICLR解缠一统天下？概念与解缠方法的比较
本文对概念解释和解纠缠学习领域的研究进行了比较和对比，探讨了它们在各种任务上的性能和行为，以及它们的潜在优势和局限性，并指出两者的最新方法在数据效率、特定分类 / 回归任务的敏感性，或所使用的概念表示符号的敏感性等方面存在局限性。
- CVPR何时何地？考察可解释的分解表示
本文提出了一种基于解释性的无人监督学习方法来实现抽象表征，该方法可以通过学习空间遮罩、引入扰动和无人监督模型选择来学习高质量的分解表示。
- ECCV用潜在变化可预测性学习分离表示
本文提出了一种基于变量可预测性的方法来优化 VAE 和 GAN 框架中的潜变量表征的解缠方法，该方法通过最大化潜变量变化与相应图像变化之间的互信息来增强变量的可预测性，同时提出了一种新的评估指标来度量潜在维度的解缠性能。研究表明，所提出的变 - 学习分离表征的理论和评价度量
该研究提出了一种理论上的度量方法来评估机器学习中所谓的 disentangled representations 的质量，这些方法可以让不同的机器学习模型公平地进行比较。