Создание изображений с помощью вариационных автокодировщиков

В последние годы вероятностные генеративные модели получили широкое распространение в качестве приложения для моделирования распределения высокоразмерных данных, таких как изображения. В случае сложных структур данных или больших наборов данных одной из эффективных и быстрых моделей является вариационный автокодировщик, предмет данной дипломной работы. Вариационные автокодировщики основываются на вариационных байесовских методах вывода, которые являются более робастными и ускоряют обучение в 10-30 раз по сравнению с традиционными методами Монте-Карло. В данной дипломной работе мы приводим обширное теоретическое описание вариационных автокодировщиков, представляем нашу собственную практическую реализацию модели вариационных автокодировщиков, описываем их гиперпараметры и демонстрируем эмпирическое поведение на двух наборах данных с изображениями. На основе результатов данных экспериментов мы приходим к выводу, что вариационные автокодировщики иногда могут генерировать нереалистичные, размытые изображения. Чтобы избежать этой проблемы, мы впервые применяем новую технику к вариационным автокодировщикам - диверсификационную регуляризацию с использованием дополнительной информации, что составляет научную новизну данной дипломной работы. Мы эмпирически демонстрируем, что сочетание разных методов регуляризации может ускорить процесс обучения и сходимости, что приведет к лучшей кластеризации в скрытом пространстве и более четким сгенерированным изображениям.