深度生成模型的掩码条件化
机器学习
2025-05-23 v1 计算机视觉与模式识别
摘要
工程领域的数据集通常规模小、标签稀疏，且包含数值型和类别型条件。此外，实际应用中的计算资源通常有限，这阻碍了生成模型在工程任务中的应用。我们引入了一种新颖的掩码条件化方法，使生成模型能够处理稀疏的混合类型数据。我们在训练期间掩码条件，以模拟推理时的稀疏条件。为此，我们探索了多种稀疏调度方案的使用，它们展现出不同的优缺点。此外，我们引入了一种灵活的嵌入方法，可同时处理类别型和数值型条件。我们将该方法集成到一个高效的变分自编码器以及一个潜在扩散模型中，并在两个工程相关的二维点云和图像数据集上展示了我们方法的适用性。最后，我们证明，在有限数据上训练的小模型可以与大型预训练基础模型耦合，以提高生成质量，同时保留由我们的条件化方案所诱导的可控性。
引用
@article{arxiv.2505.16725,
title = {Masked Conditioning for Deep Generative Models},
author = {Phillip Mueller and Jannik Wiese and Sebastian Mueller and Lars Mikelsons},
journal= {arXiv preprint arXiv:2505.16725},
year = {2025}
}