论文页面 - 经验变分自编码器

来源：https://huggingface.co/papers/2610.06545

摘要

我们提出经验变分自编码器（Empirical Variational Autoencoder，EVA），一个面向连续值序列（即非向量量化序列）的通用生成框架。EVA 基于变分自编码器（VAE）的证据下界（evidence lower bound），但通过训练数据经验性地学习自回归隐变量先验，其实现只需在 VAE 之上添加一个额外的线性层。通过用自预测先验替代传统的标准高斯约束，EVA 显著缓解了传统 VAE 中常见的先验与后验之间的隐变量分布差距，从而为序列数据生成带来高保真度的祖先采样。在图像与声音合成上的大量实验表明，尽管 EVA 的推理速度快得多，其生成质量仍能与自回归扩散基线相媲美。

查看 arXiv 页面　查看 PDF　项目页面　GitHub 0　添加到收藏

在你的 Agent 中获取这篇论文：

hf papers read 2610.06545

还没有最新的 CLI？

curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型 0

没有关联到本文的模型。

在模型 README.md 中引用 arxiv.org/abs/2610.06545 即可从此页面链接过去。

引用本文的数据集 0

没有关联到本文的数据集。

在数据集 README.md 中引用 arxiv.org/abs/2610.06545 即可从此页面链接过去。

引用本文的 Spaces 0

没有关联到本文的 Space。

在 Space README.md 中引用 arxiv.org/abs/2610.06545 即可从此页面链接过去。

收录本文的合集 0

没有收录本文的合集。

将本文添加到合集即可从此页面链接过去。