LegközelebbKövetkező útmutató
Látens keverés és képinterpoláció
Vizuális AI
Vizuális MI ÚTMUTATÓ
VQ-VAE encodes inputs into discrete codebook indices and reconstructs them through a decoder.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Learned discrete latents can provide compact token sequences for downstream generative models.
Neural Discrete Representation Learning introduces VQ-VAE, whose encoder outputs discrete codes rather than the continuous latent variables of a standard VAE, with a learned prior over codes. The straight-through estimator carries encoder gradients through quantization, and the objective includes codebook and commitment terms. VQGAN combines vector quantization with perceptual and adversarial training and studies image compression/synthesis. These are particular model designs, not a guarantee that discrete codes preserve all information.
An encoder maps an input to a continuous latent vector that is quantized to a codebook entry.
A decoder reconstructs the input from selected codebook vectors.
DALL·E used a discrete VAE image tokenizer before an autoregressive Transformer prior.
VQGAN adds perceptual and adversarial losses in a specific image-tokenization method.
Compare codebook utilization, reconstruction quality and downstream performance for the target data. Report the tokenizer, codebook and objective, since results depend on representation and training choices. The cited sources do not establish that discrete latents are always superior to continuous representations.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
VQ-VAE encodes inputs into discrete codebook indices and reconstructs them through a decoder. Learned discrete latents can provide compact token sequences for downstream generative models.
A VQ-VAE a folytonos látenseket egy tanult kódkönyvből vektorkvantálással levont diszkrét kódokra cseréli.
Az egyenes becslő a dekóder bemeneti gradienst közvetlenül a kódoló kimenetére másolja, és a kvantálást a visszafelé lépés azonosítójaként kezeli.
A kódkönyv összeomlása akkor következik be, amikor a modell csak néhány kódra támaszkodik, elpazarolva a kódkönyv nagy részét, és sérti a sokszínűséget.
A diszkrét indexek véges szókincset alkotnak, így az olyan sorozatmodellek, mint a Transformers, ugyanúgy tanulhatnak és mintát vehetnek eloszlásukból, mint a szavak.
A VQGAN megkülönböztetővel és észlelési veszteséggel bővíti a VQ-VAE-t, így élesebb, részletesebb rekonstruált tokeneket eredményez.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Látens keverés és képinterpoláció
Vizuális AI