- 双 InfoGAN 用于对比分析
对比分析(CA)是发现目标领域与背景领域之间的共性和差异的研究,本文介绍了基于 GAN 和 InfoGAN 的 Double InfoGAN 方法,通过高质量的图像生成和信息分离,提升了 CA 的潜在分离能力和图像质量。
- 用于肺部病变特征探索和恶性预测的变分自编码器
应用生成型 AI 模型 VAEs 对肺癌病灶进行研究,通过聚类分析和 MLP 分类器模型,在肺癌诊断方面取得了 AUC 0.98 和 93.1% 的准确度,同时探索标准高斯 VAE 和较新的狄利克雷 VAE 的比较分析,最后展示了潜在空间遍 - 一种贝叶斯非参数方法的生成模型:使用 Wasserstein 和最大均值差异度集成变分自编码器和生成对抗网络
对 GANs 和 VAEs 进行贝叶斯非参数方法的融合,使用 Wasserstein 和最大均值差异度量在损失函数中结合以学习潜在空间并生成多样且高质量的样本,实现在异常检测和数据增强等各种生成任务中卓越性能的新型模型,进一步通过在代码空间 - 条件去噪漫扩散在顺序推荐中的应用
本研究提出了一种 条件去噪扩散模型 以应对生成敌对网络和变分自编码器在顺序推荐任务中的挑战,通过将过程分成易于处理的步骤来简化优化和推荐任务,同时采用新的优化模式,模型能够生成高质量的序列 / 项目表示并防止折叠
- 变分自编码器(VAE)理论基础和应用
本文介绍了一种基于神经网络的概率图模型 —— 变分自编码器(VAEs),它可以在潜在空间中对输入数据进行编码,并根据潜在变量进行重构以生成接近原始分布的新元素。
- 关于将归纳偏差引入 VAE 模型的研究
介绍了一种基于中介潜变量空间(InteL-VAEs)的有效方法,在生成式自编码器中直接引入归纳偏差特征,从而产生更好的生成模型和学习表征。
- NVAE: 深度分层变分自编码器
提出了一种用于图像生成的深度分层变分自编码器(NVAE),其使用深度分离卷积和批归一化。NVAE 在 MNIST、CIFAR-10、CelebA 64 和 CelebA HQ 数据集上取得了最先进的结果,并为 FFHQ 提供了强大的基准。N - ICLR在 VAEs 中捕获标签特征
本文提出了 CCVAE 这一新的 VAE 模型和变分目标,可以显式地在潜在空间中捕获标签特征,避免直接对应标签值和潜变量。通过巧妙的映射,可以有效地学习有效的特征表示。
- ICCV制作面孔:朝向任意高保真度面部操纵
本论文中提出了一种名为 AF-VAE 的方法,通过引入新的加性高斯混合假设和无监督聚类机制,实现了对高分辨率人脸图像的任意操作,并通过人类参与度量和最新的 IS/FID 测试表明了该方法在人脸操作任务中的卓越性能。
- 多对抗变分自编码网络
介绍了 Multi-Adversarial Variational autoEncoder Networks (MAVENs) 网络结构,它是 VAE-GAN 网络的一个创新应用,在人工合成图像方面有很好的表现。
- 诊断和优化 VAE 模型
本研究针对变分自编码器(VAEs)的效率和各种假设,提出了新的 VAE 增强方案,该方案不需要任何超参数或敏感调整,并且与多种 GAN 模型竞争时,能产生清晰的样本和稳定的 FID 分数。
- 使用深度生成模型和密度信息缓冲进行物理事件生成和统计采样
使用生成对抗网络和变分自编码器生成物理过程事件的研究表明,根据编码的蒙特卡罗事件缓冲区密度信息,可以构造新的先验以从解码器中采样新事件,提高采样效率且能生成与真实蒙特卡罗事件非常接近的分布,应用范围包括密度估计和采样、目标事件生成、异常检测 - ICML变分自编码器中的解缠纷问题
本文提出了 VAEs 的解耦合方法,即分解潜在表示,通过先验中有结构的聚合编码和适当的重叠来满足。这种分解不仅能实现特定的解耦,还可通过引入先验来实现其他更丰富类型的约束,并通过控制先验和潜在空间分布来改善解耦效果。此外,还介绍了另一套训练 - AAAI超先验引导的无监督潜在表征分离
本研究提出了一种在深度生成模型中实现无监督的解缠结潜在表示的方法,通过在 VAE 的潜在空间中引入反 Wishart 先验来实现潜变量之间的统计独立性,能够在多个数据集上优于 beta-VAE 和与最先进的 FactorVAE 相竞争。
- GumBolt:将 Gumbel 技巧扩展到 Boltzmann 先验
该论文提出了一种名为 GumBolt 的模型,它扩展了 Gumbel 技巧来处理 VAEs 中的 Boltzmann 机先验,并在离散潜变量范围内的 MNIST 和 OMNIGLOT 数据集上实现了最先进的性能和重要性加权估计的日志似然训练