Latent Constraints: Conditional Generation from Unconditional Generative Models

本文提出了一种无需重新训练模型的条件生成方法,通过学习潜在约束,能够在无条件生成模型的基础上实现条件生成。利用梯度优化和身份保持转换,能够在保持图像身份的同时修改图像属性。此外,通过离散音符序列展示了零射击条件生成。提供的代码和预训练模型用于实验验证。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Latent Constraints: Conditional Generation from Unconditional Generative Models

Jesse Engel, Matthew Hoffman, Adam Roberts arXiv link


Abstract:
深度生成神经网络在复杂数据分布的条件和无条件建模方面都是有效的。
条件生成实现了交互式控制,但创建新控件通常需要昂贵的再训练。
在本文中,我们开发了一种条件生成方法,无需重新训练模型。
通过事后学习____latent constraints___,识别潜在空间中产生具有所需属性的输出的区域的值函数,我们可以使用基于梯度的优化或摊销的演员函数从这些区域中有条件地进行采样。
将属性约束与通用的“现实主义”约束相结合,强制实现与数据分布的相似性,我们从无条件变量自动编码器生成逼真的条件图像。
此外,使用基于梯度的优化,我们演示了保持身份的转换
潜在空间中的最小调整以修改图像的属性。
最后,利用离散的音

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值