Az új VAE-modell valósághűbb képeket generál
A Variational Autoencoder (VAE) új megközelítést kínál a latens térben a hasonlóság megőrzésére és a valósághű képgenerálásra, szemben a hagyományos autoenkóderek korlátaival.
A hagyományos autoenkóderek lenyűgözőek, de a latens térben gyakran nem tudják megőrizni az objektumok közötti hasonlóságot. A kutatók ezért fejlesztették ki a Variational Autoencoder (VAE) architektúrát, amelynek célja egy olyan latens tér létrehozása, amely megőrzi a hasonlóságokat és lehetővé teszi a mintavételezést új adatok, például képek generálásához. (Towards Data Science)
A VAE-k fő motivációja a latens tér jobb konstrukciója. Míg a hagyományos autoenkóderek elsősorban a rekonstrukcióra fókuszálnak, a VAE-k a latens reprezentációk minőségét is javítják. Ez lehetővé teszi a térben való „geometriai trükköket”, mint például két kép közötti interpoláció, ami egy új, köztes kép generálásához vezethet. A hagyományos autoenkóderek által generált képek minősége általában gyenge, szemben a VAE-k által elért jobb eredményekkel.
A VAE módszertana és a latens tér
A VAE-k két fő elosztást vezetnek be: a valós térben az adateloszlást p(x), és a latens teret, amely a lehetséges latens vektorokat tartalmazza. A posterior eloszlás, p(z | x), megadja annak valószínűségét, hogy egy z latens vektor egy x képből származik. A likelihood eloszlás, p(x | z), pedig egy z vektor alapján rekonstruál egy x képet. A probléma az, hogy a posterior eloszlás, p(z | x), intaktálhatatlan, azaz nem ismerjük a pontos formáját, így nem tudunk belőle mintát venni.
A képzés célja: ELBO és a reparaméterezési trükk
A VAE-k ezt a problémát úgy oldják meg, hogy a posterior eloszlást egy normál eloszlással, q(z | x) = N(μ, σ), közelítik, ahol μ és σ a tanult paraméterek. A képzés célja a log-likelihood maximalizálása, log p(x). Ezt a célkitűzést az Evidence Lower Bound (ELBO) segítségével közelítik. Az ELBO egy alsó korlátot ad a log-likelihoodra, és annak maximalizálása garantálja a modell helyes betanítását.
A képzési folyamat kulcsa a reparaméterezési trükk. Ez lehetővé teszi, hogy a gradiens a sztokasztikus mintavételen keresztül áramoljon, így a VAE-k visszaterjesztéssel (back-propagation) taníthatók. Ez a technika biztosítja, hogy a modell képes legyen tanulni a latens tér tulajdonságait, és ezáltal jobb minőségű, valósághűbb képeket generálni. A módszer a q(z | x) közelítő eloszlás paramétereinek, μ és σ optimalizálásán alapul.