基于行列式点过程的变分拉普拉斯自编码器

摘要：

变分自编码器(Variational Autoencoders,VAE)是一类重要的学习概率潜在变量的生成模型,然而VAE对复杂模型的表现力较差,生成的图像往往比较模糊.为了解决VAE生成图像模糊的问题,提出一种基于行列式点过程的变分拉普拉斯自编码器(Variational Laplace Autoencoders?Determinantal Point Process,VLAE?DPP)模型,将行列式点过程方法引入变分拉普拉斯自编码器模型,在原始目标函数的基础上添加一项无监督惩罚损失,以此来提高生成图像的质量.VLAE?DPP模型利用行列式点过程来捕获一个与真实数据类似的多样性,然后通过从编码器中提取特征来学习核.最后,训练解码器优化核的伪、实、特征值和特征向量之间的损失,以鼓励解码器模拟真实数据的多样性,从而生成高质量的图像.在Fashion?MNIST,SVHN,CIFAR10数据集上的实验结果表明,VLAE?DPP模型能提高生成图像的质量.

关键词：变分自编码器、行列式点过程、变分推断、拉普拉斯近似、生成模型

所属期刊栏目：58

分类号：TP391(计算技术、计算机技术)

资助基金：河北省科技计划重点研发项目;河北省自然科学基金

在线出版日期：2022-09-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：629-639