zehua

菜单

zehua

所有标签

#项目报告 6 #随机过程 1 #贝叶斯方法 1 #课程笔记 55 #论文阅读 2 #计算机视觉 1 #统计分析 4 #生成模型 2 #滤波器设计 4 #正则化 2 #机器学习 2 #控制 2 #实验报告 42 #复杂系统 2 #图像处理 6 #反问题 3 #卡尔曼滤波 1 #傅里叶变换 1 #信号处理 13 #Python 1 #Optimisation 2 #Matlab 1 #M2 ATSI 54 #Bordeaux 5 #Halo 1
深度学习与生成模型 #论文阅读#机器学习#生成模型#统计分析

论文阅读：DiffuseVAE 详解

背景问题： 扩散模型：生成质量高，但存在两个缺点：① 缺乏低维、可解释的潜在空间；② 生成速度较慢。 VAE：具有低维潜在空间，可以解释和操控生成，但生成图像质量较差。 因此提出了 DiffuseVAE，将VAE嵌入到扩散模型框架中，并设计了新的条件参数化方法，使扩散模型能够利用VAE推导的低维潜在

Administrator Administrator 发布于 2024-11-27
深度学习与生成模型 #课程笔记#机器学习#生成模型#统计分析

变分自编码器 VAE

第一章: 介绍 1.1 无监督学习概述 1.1.1 有监督学习 有监督学习，就是数据集有样本有标签，其目标是学习 x 到 y 的映射，相当于告诉正确答案，如果训练中做错了就根据答案调整一下。 1.1.2 无监督学习 无监督学习，数据没有类标，那就不是映射了，其目标就是找到隐含在数据里的模式和结构，常

Administrator Administrator 发布于 2024-11-20
反问题 #实验报告#信号处理#统计分析#反问题#贝叶斯方法

反问题 TP2：Wiener–Hunt 方法的无监督方面

在上一个实践内容中，我们介绍了去卷积问题的困难，即在应用卷积或者低通滤波器后所导致的观测数据缺失高频相关信息的情况。我们使用了 Wiener-Hunt 方法：将量化解的误差的二次项和数据相结合，并在损失函数中使用带有正则化系数的二次惩罚标准以量化解的粗糙度。我们得到了相对来说不错的结果。但是这个方法

Administrator Administrator 发布于 2024-11-05
随机信号 #课程笔记#信号处理#随机过程#统计分析#滤波器设计

随机信号与噪音

一维随机变量 概率密度函数 对随机变量 X 来说，其概率密度函数 f_x(x) 满足： \int_{-\infty}^{\infty} f_x(x)\,dx = 1, \quad f_x(x) \geq 0 \,\, \forall x \in \mathbb{R} 即 f_x(x) 是非负函数，其

Administrator Administrator 发布于 2023-12-20