• xmlui.mirage2.page-structure.header.title
    • français
    • English
  • Aide
  • Connexion
  • Langue 
    • Français
    • English
Consulter le document 
  •   Accueil
  • CEREMADE (UMR CNRS 7534)
  • CEREMADE : Publications
  • Consulter le document
  •   Accueil
  • CEREMADE (UMR CNRS 7534)
  • CEREMADE : Publications
  • Consulter le document
JavaScript is disabled for your browser. Some features of this site may not work without it.

Afficher

Toute la baseCentres de recherche & CollectionsAnnée de publicationAuteurTitreTypeCette collectionAnnée de publicationAuteurTitreType

Mon compte

Connexion

Enregistrement

Statistiques

Documents les plus consultésStatistiques par paysAuteurs les plus consultés
Thumbnail

X-Ray Sobolev Variational Auto-Encoders

Turinici, Gabriel (2019), X-Ray Sobolev Variational Auto-Encoders. https://basepub.dauphine.fr/handle/123456789/20349

Voir/Ouvrir
1911.13135(1).pdf (840.9Kb)
Type
Document de travail / Working paper
Lien vers un document non conservé dans cette base
https://hal.archives-ouvertes.fr/hal-02387084
Date
2019
Éditeur
Cahier de recherche CEREMADE, Université Paris-Dauphine
Titre de la collection
Cahier de recherche CEREMADE, Université Paris-Dauphine
Ville d’édition
Paris
Pages
26
Métadonnées
Afficher la notice complète
Auteur(s)
Turinici, Gabriel cc
CEntre de REcherches en MAthématiques de la DEcision [CEREMADE]
Résumé (EN)
The quality of the generative models (Generative adversarial networks, Variational Auto-Encoders, ...) depends heavily on the choice of a good probability distance. However some popular metrics lack convenient properties such as (geodesic) convexity, fast evaluation and so on. To address these shortcomings, we introduce a class of distances that have built-in convexity. We investigate the relationship with some known paradigms (sliced distances, reproducing kernel Hilbert spaces, energy distances). The distances are shown to posses fast implementations and are included in an adapted Variational Auto-Encoder termed X-ray Sobolev Variational Auto-Encoder (XS-VAE) which produces good quality results on standard generative datasets.
Mots-clés
machine learning; variational auto-encoder; neural network; deep learning

Publications associées

Affichage des éléments liés par titre et auteur.

  • Vignette de prévisualisation
    Radon Sobolev Variational Auto-Encoders 
    Turinici, Gabriel (2021) Article accepté pour publication ou publié
  • Vignette de prévisualisation
    Sparse reconstruction from a limited projection number of the coronary artery tree in X-ray rotational imaging 
    Cohen, Laurent D.; Toumoulin, Christine; Luo, Limin; Bedossa, Marc; Peyré, Gabriel; Fehrenbach, Jérôme; Nunes, Jean-Claude; Yang, Guanyu; Oukili, Ahmed; Jung, Miyoun; Hu, Ying (2012) Communication / Conférence
  • Vignette de prévisualisation
    Singular evolution on maniforlds, their smoothing properties, and Sobolev inequalities 
    Bonforte, Matteo; Grillo, Gabriele (2007) Article accepté pour publication ou publié
  • Vignette de prévisualisation
    Geodesics on Shape Spaces with Bounded Variation and Sobolev Metrics 
    Nardi, Giacomo; Peyré, Gabriel; Vialard, François-Xavier (2016) Article accepté pour publication ou publié
  • Vignette de prévisualisation
    Variational methods in imaging and geometric control 
    Bergounioux, Maïtine; Peyré, Gabriel; Schnörr, Christoph; Caillau, Jean-Baptiste; Haberkorn, Thomas (2017-01) Ouvrage
Dauphine PSL Bibliothèque logo
Place du Maréchal de Lattre de Tassigny 75775 Paris Cedex 16
Tél. : 01 44 05 40 94
Contact
Dauphine PSL logoEQUIS logoCreative Commons logo