用于学习函数空间上分布的超网络混合变分模型
机器学习
2023-07-21 v3
摘要
近期的方法基于隐式神经表示(INRs)提出函数空间上的生成模型。然而，它们在处理缺失数据填补等推断任务时计算代价高昂，或根本无法直接应对。在本工作中，我们提出一种名为VAMoH的新型深度生成模型。VAMoH结合了利用INRs建模连续函数的能力以及变分自编码器(VAEs)的推断能力。此外，VAMoH依赖归一化流来定义先验，并采用超网络混合来参数化数据对数似然。这使VAMoH具备高表达能力和可解释性。通过在图像、体素和气候数据等多种数据类型上的实验，我们表明VAMoH能有效学习连续函数上的丰富分布。此外，它在条件超分辨率生成和图像修复等推断相关任务上表现与先前方法相当或更优，同时计算需求更低。
引用
@article{arxiv.2302.06223,
title = {Variational Mixture of HyperGenerators for Learning Distributions Over Functions},
author = {Batuhan Koyuncu and Pablo Sanchez-Martin and Ignacio Peis and Pablo M. Olmos and Isabel Valera},
journal= {arXiv preprint arXiv:2302.06223},
year = {2023}
}
备注
Accepted at ICML 2023. Camera ready version