文献类型：期刊文章

作　　者：翟正利[1] 梁振明[1] 周炜[1] 孙霞[1]

ZHAI Zhengli;LIANG Zhenming;ZHOU Wei;SUN Xia(School of Information and Control Engineering,Qingdao University of Technology,Qingdao,Shandong 266520,China)

机构地区：[1]青岛理工大学信息与控制工程学院,山东青岛266520

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金(No.61502262)

年　　份：2019

卷　　号：55

期　　号：3

起止页码：1-9

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：变分自编码器(VAE)作为深度隐空间生成模型的一种,近年来其表现性能取得了极大的成功,尤其是在图像生成方面。变分自编码器模型作为无监督式特征学习的重要工具之一,可以通过学习隐编码空间与数据生成空间的特征映射,进而在输出端重构生成输入数据。梳理了传统变分自编码器模型及其衍生变体模型的发展与研究现状,并就此做了总结和对比,最后分析了变分自编码器模型存在的问题与挑战,并就可能的发展趋势做了展望。

关 键 词：深度隐空间生成模型  无监督学习 变分自编码器  图像生成

分 类 号：TP181]