Sekyoro的博客小屋
·
Autoencoder学习
💡
原文中文，约9100字，阅读约需22分钟。
📝
内容提要
自编码器是一种基于潜在向量和重构输出的模型，常用于降维、去噪、超分辨率和生成模型等任务。文章介绍了变分自编码器和对抗性自编码器的结构和训练方法，以改进潜在向量的语义含义。此外，还介绍了条件自编码器和半监督自编码器的应用。
🎯
关键要点
- 自编码器是一种基于潜在向量和重构输出的模型，常用于降维、去噪、超分辨率和生成模型等任务。
- 自编码器利用输入数据本身作为监督，学习映射关系以得到重构输出。
- 重建误差是评估自编码器重建输入观测好坏的指标。
- 自编码器常用于降低图像维度、去噪、超分辨率和生成模型。
- 传统自编码器的潜在向量往往缺乏语义含义，难以解释。
- 变分自编码器（VAE）学习潜在参数的统计分布，使用复杂的损失函数，包括重建损失和KL损失。
- VAE的优势在于能够生成新图像，因为潜在向量的分布已知。
- 对抗性自编码器（AAE）结合了GAN和VAE的结构，编码器作为生成器，鉴别器用于区分真实和生成的图像。
- 条件自编码器和半监督自编码器通过引入标签信息来增强模型性能。
- 条件变分自编码器在训练时将标签作为额外输入，以生成特定类别的图像。
➡️
