CelebA-64
PulseAugur coverage of CelebA-64 — every cluster mentioning CelebA-64 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法提高生成式AI图像合成的速度和质量
研究人员开发了一种用于流图蒸馏的新颖方法，这是一种用于快速生成图像的生成式AI技术。他们的方法涉及一种几何感知的重参数化，该方法调整分配给生成ODE轨迹不同部分的时间。通过为具有高法向加速度的片段分配更多的“学生时间”，模型可以更有效地学习过渡，从而提高样本质量并加快生成速度，尤其是在单步图像合成方面。
-
\lambda-VAE 解决了变分自编码器中的后验崩溃问题
研究人员确定了变分自编码器 (VAE) 中后验崩溃的两个主要原因：梯度不平衡和信息鸿沟。当解码器的重建信号比 KL 正则化压力衰减得更快时，就会发生梯度不平衡；当采样步骤丢弃了重要的编码器表示，降低了解码器的敏感性时，就会出现信息鸿沟。为了解决这些问题，引入了一种名为 \lambda-VAE 的新方法。该方法通过用每个维度的指数来缩放采样噪声来修改重参数化步骤，从而产生一种不对称性，将训练从崩溃转移到方差均衡状态。在 Binary M…
-
新的DEFAR框架解决了Flow Matching模型中的暴露偏差问题
研究人员推出了一种名为DEFAR（DirEctional-Frequency Adaptive Rectification）的新型框架，旨在解决Flow Matching生成模型中的暴露偏差问题。该方法利用偏差本身在训练过程中模拟单步推理来指导其自身的纠正。DEFAR包含反漂移纠正（ADR）以将偏离的状态引导回目标，以及频率补偿（FC）以增强缺失的低频分量。在CIFAR-10和ImageNet等数据集上的实验证明了DEFAR的有效性和可扩展性。