AE, VAE和VQ-VAE有什么区别?

写在前面

AE, VAE, VQ-VAE是一系列的工作,其中VAE更是构成了整个AIGC的重要基石,那么他们之间有什么区别呢?

1. AE

AE(AutoEncoder)是一种自编码器,能够将一个图片压缩成一个较短的向量。其结构如下所示。

它有一对编码器和解码器, 编码器负责将图片压缩到一个较短的向量,而解码器负责将较短的向量恢复成图片。在训练的时候,两者做loss。但是这样的话会有一个问题,即Decoder只认识Encoder的向量,一旦我们扔掉Encoder,那么Decoder将会变得毫无用处。

2. VAE

如果我们能够限制住AE的编码空间,使其能够符合某个数学分布,比如标准正态分布,那么我们就可以在标准正态分布中随机采样给Decoder,那么就能够生成随机的图了。VAE就是来干这事儿的网络。网络结构如下:

3. VQ-VAE

但是VAE生成图的质量普遍不高,有人认为原因是因为VAE把图片编码成了连续的变量,但是我们在描述物体时,转化为离散变量会更为自然。比如我们描述一个人,不会说胖0.6, 性别是0.5, 年龄是0.3。而是说男或女,年龄20。

但是把图像编码成离散化之后,就又出现了两个新的问题。

  1. 神经网络擅长处理连续的数值,而不擅长处理离散数据。解决方法是借鉴nlp中处理离散单词的方法,将连续数据处理成一个独一无二的连续向量上
  1. 另外一个问题是,离散空间不太好采样,因此不能像VAE那样进行随机图像生成。

VQVAE的作者的做法是,通过PixelCNN随机在数学分布中采样,生成小图像,再用VQGAN的decoder翻译小图像成大图像。

具体做法如下:

  1. 训练VQGAN的编码器和解码器,编码器负责将图像压缩到小图像,解码器负责将小图像还原成大图
  2. 训练PixelCNN, 让它拥有能够从随机分布中采样成小图像的能力
  3. 扔掉VQGAN的编码器,接上PixelCNN, 使得VQVAE拥有从随机分布中采样图像的能力

那么VQGAN怎么生成离散向量的呢?

作者设计了一个embedding space

为了能够让编码器的输入向量、embedding space, 以及解码器的输入张量embedding关联起来,作者做了如下方案:

假设codebook已经训练完毕,对于编码器的每个输入z(x), 通过最近邻找到embedding中与之最相近的向量z(q), 然后用z(q)替换z(x)。

相关推荐
视觉语言导航1 小时前
RAL-2025 | 清华大学数字孪生驱动的机器人视觉导航!VR-Robo:面向视觉机器人导航与运动的现实-模拟-现实框架
人工智能·深度学习·机器人·具身智能
redreamSo1 小时前
AI Daily | AI日报:马斯克Grok 4跑分泄露,有望改写LLM格局; 猫猫话术让大模型数学答错率翻3倍; 安克创新All in AI,代码采纳率破50%
程序员·aigc·资讯
羊小猪~~2 小时前
【NLP入门系列五】中文文本分类案例
人工智能·深度学习·考研·机器学习·自然语言处理·分类·数据挖掘
李师兄说大模型2 小时前
KDD 2025 | 地理定位中的群体智能:一个多智能体大型视觉语言模型协同框架
人工智能·深度学习·机器学习·语言模型·自然语言处理·大模型·deepseek
后端小肥肠3 小时前
躺赚必备!RPA+Coze+豆包:公众号自动发文,AI率0%亲测有效(附AI率0%提示词)
人工智能·aigc·coze
锅挤3 小时前
深度学习5(深层神经网络 + 参数和超参数)
人工智能·深度学习·神经网络
网安INF3 小时前
深层神经网络:原理与传播机制详解
人工智能·深度学习·神经网络·机器学习
喜欢吃豆3 小时前
目前最火的agent方向-A2A快速实战构建(二): AutoGen模型集成指南:从OpenAI到本地部署的全场景LLM解决方案
后端·python·深度学习·flask·大模型
喜欢吃豆4 小时前
快速手搓一个MCP服务指南(九): FastMCP 服务器组合技术:构建模块化AI应用的终极方案
服务器·人工智能·python·深度学习·大模型·github·fastmcp