通过非体积保守变换提升条件变分自编码器
机器学习
2026-03-10 v4
摘要
变分自编码器和生成对抗网络一直是生成模型的 SOTA 方法，直至 2022 年被扩散模型取代。由于传统模型的改进 efforts 停滞，本文以一种旧方法探索条件变分自编码器（CVAE）以在图像中融合所需属性。VAEs 已知会产生模糊图像且多样性较低；我们采用一种方法，通过将高斯解码器的方差作为训练期间可学习参数来解决此问题。先前的 CVAE 研究者假设潜在空间给定标签的条件分布等于先验分布，这在现实中并非如此。我们表明，使用非体积保守（NVP）变换估计其结果，可比现有方法在图像生成方面表现更佳，通过降低 FID 4% 并提升对数似然 7.6% 来实现。
引用
@article{arxiv.2511.08946,
title = {Improving Conditional VAE with Non-Volume Preserving transformations},
author = {Tuhin Subhra De},
journal= {arXiv preprint arXiv:2511.08946},
year = {2026}
}
备注
Independent Work