Generative Models
比较不同生成家族的表示、训练目标与采样路径
5 concepts · 0 branches
Generative Models
比较不同生成家族的表示、训练目标与采样路径
5 concepts · 1 sections
对比组
Generative Model Families｜生成模型家族
它们都涉及数据表示或生成，但约束潜空间和产生样本的方法不同。
AE
自编码器把输入压成较小的内部表示，再从这个表示尽量还原原始输入。
核心方法：压缩并重建
采样生成：通常不适合随意采样
VAE
VAE 把输入编码成一个可采样的潜变量分布，再从中生成或重建数据。
核心方法：整理连续潜分布
采样生成：从潜空间采样后解码
GAN
GAN 让生成器与判别器对抗训练，使生成器逐渐学会产生接近真实数据的样本。
核心方法：生成器与判别器对抗训练
采样生成：从随机输入经生成器产生样本
Diffusion Model
扩散模型学习逐步去除噪声，把随机噪声变成符合数据分布的样本。
核心方法：学习逐步反向去噪
采样生成：从噪声多步生成
Flow Matching
Flow Matching 学习一个随时间变化的向量场，把简单分布连续运输到数据分布。
核心方法：学习连续速度场
采样生成：沿 ODE 路径运输样本
| 知识 | 核心方法 | 采样生成 |
|---|---|---|
| AE自编码器 | 压缩并重建 | 通常不适合随意采样 |
| VAE变分自编码器 | 整理连续潜分布 | 从潜空间采样后解码 |
| GAN生成对抗网络 | 生成器与判别器对抗训练 | 从随机输入经生成器产生样本 |
| Diffusion Model扩散模型 | 学习逐步反向去噪 | 从噪声多步生成 |
| Flow Matching流匹配 | 学习连续速度场 | 沿 ODE 路径运输样本 |