混合 VAE：利用部分观测改进深度生成模型
机器学习
2017-12-01 v1 计算机视觉与模式识别
摘要
在大型标注数据集上训练的深度神经网络模型是大量计算机视觉任务中的最优方法。然而，在许多应用中，标注数据获取昂贵或需要耗时的手动标注过程。相比之下，未标注数据通常丰富且大量可用。我们提出一个原则性框架，通过在标注与未标注数据上训练深度生成模型来利用未标注数据。我们表明这种组合是有益的，因为未标注数据充当了一种数据驱动形式的正则化，使得在少量标注样本上训练的生成模型能达到在更大数据集上全监督生成模型的性能。我们称我们的方法为混合 VAE（H-VAE），因为它同时包含生成部分与判别部分。我们在三个不同模态的大规模数据集上验证 H-VAE：两个人脸数据集（MultiPIE、CelebA）和一个手部姿态数据集（NYU Hand Pose）。我们的定性可视化进一步支持了使用部分观测所带来的改进。
引用
@article{arxiv.1711.11566,
title = {Hybrid VAE: Improving Deep Generative Models using Partial Observations},
author = {Sergey Tulyakov and Andrew Fitzgibbon and Sebastian Nowozin},
journal= {arXiv preprint arXiv:1711.11566},
year = {2017}
}