VIVAT：通过信任缓解改进VAE训练
计算机视觉与模式识别
2025-12-02 v2 机器学习
多媒体
摘要
变分自编码器（VAEs）是生成式计算机视觉的基石，但其训练常因信任问题而受影响，导致重构和生成质量下降。本文提出VIVAT方法，通过系统性地缓解KL-VAE训练中常见的信任问题，而无需进行根本性的架构更改。我们对五类常见信任——颜色偏移、网格纹理、模糊、角落和水滴信任——进行了详细分类，并分析其根本原因。通过简单的修改，包括调整损失权重、填充策略以及集成空间条件归一化，我们展示了在VAE性能方面的显著提升。本方法在多个基准测试中实现了图像重构指标（PSNR和SSIM）的状态最佳结果，并通过更优的CLIP分数增强了文本到图像生成质量。通过保持KL-VAE框架简单性的同时解决其实际挑战，VIVAT为致力于优化VAE训练的研究者和实践者提供了可操作的见解。
引用
@article{arxiv.2506.07863,
title = {VIVAT: Virtuous Improving VAE Training through Artifact Mitigation},
author = {Lev Novitskiy and Viacheslav Vasilev and Maria Kovaleva and Vladimir Arkhipkin and Denis Dimitrov},
journal= {arXiv preprint arXiv:2506.07863},
year = {2025}
}