通过先验学习与去除潜变量正则化改进深度潜变量模型
机器学习
2020-07-17 v2 机器学习
摘要
存在多种形式的深度潜变量模型，例如变分自编码器和对抗自编码器。无论具体模型类别如何，学界存在一种隐含共识：潜变量分布应被正则化以逼近先验，即便在先验分布被学习的情况下也是如此。在考察潜变量正则化对图像生成的影响后，我们的结果表明：当学习到充分具表达力的先验时，潜变量正则化并非必要，且就图像质量而言实际上可能有害。我们还进一步考察了所学先验在计算机视觉中两个常见问题上的益处：潜变量解耦，以及图像到图像翻译中的多样性。
引用
@article{arxiv.2007.03640,
title = {Benefiting Deep Latent Variable Models via Learning the Prior and Removing Latent Regularization},
author = {Rogan Morrow and Wei-Chen Chiu},
journal= {arXiv preprint arXiv:2007.03640},
year = {2020}
}