AIGC实战——β-VAE详解与实现

0. 前言

在 InfoGAN 一节中，我们讨论了潜编码解耦表征的概念及其重要性。解耦表征是指单个潜编码对单一生成因子的变化敏感，而对其他因子的变化保持相对不变。调整某个潜编码仅会改变生成输出的某一属性，而其他特性保持不变。
使用 InfoGAN 在 MNIST 数据集中，可以同时控制生成数字的类别以及书写风格的倾斜度和笔画粗细。变分自编码器 (Variational Autoencoder, VAE) 本质上已在某种程度上解耦了潜向量的维度。例如，当 z[1] 从上到下变化时，数字宽度和倾斜度减小，同时沿顺时针方向旋转；而当 z[0] 从左到右增加时，同样减小宽度和圆润度，但数字沿逆时针方向旋转。这表明 z[1] 控制顺时针旋转，z[0] 影响逆时针旋转，两者均会改变数字的粗细和圆润度。本节将通过对 VAE 损失函数进行简单修正，可强制潜编码实现进一步解耦。

1. β-VAE 原理

通过对变分自