优化分层图像 VAE 以提升样本质量
机器学习
2022-10-20 v1 计算机视觉与模式识别
摘要
尽管分层变分自编码器（VAEs）在图像建模任务上实现了优异的密度估计，但其先验采样的样本往往不如具有相似对数似然的模型令人信服。我们将此归因于学习到的表征过度强调压缩图像中难以察觉的细节。为此，我们引入 KL 重加权策略以控制每个潜变量组中的信息量，并采用高斯输出层以降低学习目标中的锐度。为在图像多样性与保真度之间权衡，我们还额外引入了面向分层 VAE 的无分类器引导策略。我们在实验中证明了这些技术的有效性。代码见 https://github.com/tcl9876/visual-vae。
引用
@article{arxiv.2210.10205,
title = {Optimizing Hierarchical Image VAEs for Sample Quality},
author = {Eric Luhman and Troy Luhman},
journal= {arXiv preprint arXiv:2210.10205},
year = {2022}
}
备注
21 pages, 12 figures