基于对抗性策略的变分自编码模型
摘 要：深度生成模型结合了生成模型与多层神经网络，在计算机视觉、目标检测、自然语言处理等领域得到广泛应用．变分自编码是一种重要的深度生成模型，通过多层神经网络对生成模型和后验概率分布的近似分布进行建模，得到目标函数的变分下界．变分自编码以其显式的生成模型建模方式及定量的下界表示形式受到研究者的关注．由于变分自编码中推理模型的表示能力有限，使得生成的图像精细度不高．本文提出一种基于对抗性策略的变分自编码模型，该模型通过在变分自编码模型的推理模型中加入随机噪声，提高推理模型的表示能力，同时引入对抗网络增加聚合正则化约束，进一步训练推理模型．通过在MNIST 和Fashion-MNIST 数据集上设计对比实验，表明该模型可以给出更优的变分似然下界，并生成效果更好的图像数据．
论文下载：