1️⃣ 벡터 양자화 변분 오토 인코더 (Vector Quantized Variational Autoencoder, VQVAE, 2017)
●실제 이미지나 텍스트는 유한한 특성으로 표현할 수 있음!
●유한한 잠재 표현을 활용하는 변분 오토 인코더
●실제 이미지나 텍스트는 유한한 특성으로 표현할 수 있음!
2️⃣ 이산(Discrete) 잠재 변수
●범주: K개의 D차원 임베딩(Embedding) 벡터 (e1 , …, eK )
● 범주: K개의 D차원 임베딩(Embedding) 벡터 (e1 , …, eK ) = Codeword in Codebook
3️⃣ VQVAE의 Evidence of Lower BOund (ELBO)
4️⃣ VQVAE의 학습
● K개의 임베딩 벡터도 학습!
○데이터 특성을 표현하는 단어를 학습하고 수정할 수 있게 함
5️⃣ VQVAE의 생성 과정
✅ PixelCNN (2016)
6️⃣ VQVAE-2
✅ VQVAE-2 - 계층 구조
✅ VQVAE-2 - 생성
VQVAE & VQVAE-2
- > 유한한 표현형으로 데이터를 표현할 수 있다는 관측을 활용
- > 벡터 양자화 기법을 활용한 고성능 VAE
- > 다른 모델에서 자주 활용됨
'03_Deep Leaning > Generation' 카테고리의 다른 글
| Generation_조건부 생성 모델 (0) | 2025.01.16 |
|---|---|
| Generation_ GANs적대적 생성 신경망(Generative Adversarial Networks) (1) | 2025.01.16 |
| Generation_변분오토인코더(Variational Autoencoder, VAE) (0) | 2025.01.15 |
| Generation_오토인코더(Autoencoder) (0) | 2025.01.15 |
| Generation_생성모델 활용사례 (0) | 2025.01.06 |