基于矩阵正态分布的空间变分自编码器
机器学习
2019-01-23 v2 计算机视觉与模式识别
神经与进化计算
机器学习
摘要
变分自编码器(VAEs)的核心思想与传统自编码器模型相似，即空间信息理应被显式地编码在潜在空间中。然而，VAEs中的潜在变量是向量，可以解释为大小为1x1的多个特征图。这种表示只有在与强大的解码器耦合时，才能隐式地传达空间信息。在本工作中，我们提出了使用更大尺寸特征图作为潜在变量以显式捕获空间信息的空间VAEs。这是通过允许潜在变量从由编码器网络计算参数的矩阵正态(MVN)分布中采样来实现的。为了增加潜在特征图上位置之间的依赖性并减少参数数量，我们进一步提出了基于低秩MVN分布的空间VAEs。实验结果表明，所提出的空间VAEs在捕获丰富的结构和空间信息方面优于原始VAEs。
引用
@article{arxiv.1705.06821,
title = {Spatial Variational Auto-Encoding via Matrix-Variate Normal Distributions},
author = {Zhengyang Wang and Hao Yuan and Shuiwang Ji},
journal= {arXiv preprint arXiv:1705.06821},
year = {2019}
}
备注
Accepted by SDM2019. Code is publicly available at https://github.com/divelab/svae