对抗性策略的变分自编码模型制造技术

变分自编码模型和生成对抗网络均属于目前深度学习中主流的生成模型。由于生成结果质量的关键取决于模型中推理模型的推理能力和生成器模型的生成能力。所以本发明专利技术在变分自编码模型和生成对抗网路的基础上提出两者部分模块相结合的生成模型。这个模型不仅可以生成比传统变分自编码模型更清晰的图像，而且可以生成更具多样性的图像。本发明专利技术从模型建模模块、构建优化目标函数模块两个模块进行介绍。随机噪声和原始图像一同进入推理模型；推理模型将最大限度表示出真实的后验概率分布；生成器模型将尽可能获得最大的似然估计值；判别器模型将最大限度提升生成器模型的生成能力。模型将最大限度提升生成器模型的生成能力。

【技术实现步骤摘要】
对抗性策略的变分自编码模型


[0001]本专利技术基于机器学习领域，进一步说是一种基于对抗性策略的变分自编码模型。

技术介绍

[0002]生成模型作为机器学习领域的重要组成部分，在实际应用中，常常会遇到生成图像的质量不高，或生成图像缺乏丰富性等情况。问题是如何在保证生成图像清晰度的前提下，生成与原始图像相似或不同的大量新图像？于是本专利技术提出了一种基于对抗性策略的变分自编码模型。
[0003]传统的生成模型是一种将低维度隐变量还原成高维度数据所建模的模型。传统的变分自编码模型是将机器学习中的神经网络和变分贝叶斯方法相结合的一种生成模型，其主要由推理模型和生成器模型构成，加以神经网络而实现。协同训练这两个网络模型，进而将数据似然的变分下界最大化，以获得更好地生成效果。不同于传统的自编码模型，变分自编码模型通过从推理模型的近似后验分布中提取低维度的隐变量，并对其进行重新参数化处理，然后通过生成器模型将低维度的隐变量重构出高维度的数据。这里不仅采用较为复杂的变分方法，而且通过梯度下降方法和反向传播算法对其目标进行优化。<br/>[0004]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.对抗性策略的变分自编码模型，其特征在于能够将传统的变分自编码模型和生成对抗网络的相关模块进行结合，既保留了变分自编码模型中的推理模型，又加入了生成对抗网络中的判别器模块。包括：模型建模模块、构建优化目标模块。模型建模模块是在拥有推理模型和生成器模型的传统变分自编码模型中加入传统生成对抗网络的判别器模型，让模型能够不断学习并提升推理模型、生成器模型的推理能力和重构能力，从而提升生成图像的质量。构建优化目标模块通过变分近似、正则化项转换为判别器模型的目标，来构建优化目标函数。2.权利要求1所述的模型建模模块，特点是加入生成对抗网络中的判别器模型，对真实图像x与推理模型产生的隐变量z、真实图像x与先验分布采样的隐变量z、生成器网络生成的重构图像x与推理模型产生的隐变量z这三项进行判别。本模型中假设真实图像为x，随机噪声为ε，先验分布p(z)采样的隐变量为z，真实图像x加入随机噪声ε经推理模型的近似后验概率产生的隐变量为z1，隐变量z经生成器模型中的条件概率分布p
θ
(x|z)产生的重构图像为x
′
，判别器模型用D来表示。模型中具体变量值设置如下，x表示高维度真实图像，z和z1均表示低维度的隐变量，随机噪声ε和隐变量z均从标准高斯分布中采样得...

【专利技术属性】
技术研发人员：陈亚瑞，王浩楠，张芝慧，杨剑宁，史艳翠，杨巨成，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：