从AE到VAE的自编码器全面,变分自编码器

如何将模糊的照片变清晰？

不管是手机还是单反相机拍摄照片，有的时候光线不好，快门没有达到安全快门速度，就会出现照片模糊的状况。还有在拍摄时因手持相机，可能会出现抖动，也会导致照片出现模糊的状况。介于这种情况，只好借助后期调整，适当提高照片的清晰度。如何将模糊的照片变清晰？下面用手机后期处理软件Snapseed和电脑版PS（Photoshop cs6）演示其操作步骤：第一：用Snapseed手机软件处理的步骤：对于不会PS的朋友，操作简单效果好。

■原照片效果：■处理的效果：1.启动snapseed软件，点击“ ”号，打开需要处理的图片。2、点击“工具”，选择“突出细节”，点击下面的参数调整图标，对“结构”和“锐化”进行适度调整即可，点“√”确认。下面是案例参数设置：3、确认效果以后，点击“导出”将调整好的照片保存在手机上即可。第二：运用PS（Photoshop）进行调整：相对snapseed要难一点，其实也比较简单。

用PS调整清晰度方法有三种：适当加强对比度、加强锐化、运用滤镜“高反差保留”。前面两种很简单，就不介绍，主要介绍第三种方法。■原照片效果：■调整后的效果：1、启动PS，打开图片，Ctrl J（复制图层1）→Ctrl shift U（去色）2、执行滤镜→“其他”→“高反差保留”→设置好“半径”参数后，点击“确定”3、将图层1的“图层混合模式”改为“叠加”即可。

变分自编码器（VAE）目前存在哪些问题，发展方向是什么？

变分自编码器（VAE）与生成对抗网络（GAN）一样，是无监督学习最具前景的方法之一。本文中，牛津大学统计系在读博士 Adam Kosiorek 从原理上向我们介绍了 VAE 目前面临的挑战。同时，文中也提出了对于该方法的几种改进方向。隐变量模型假设你希望通过一个定义在 x∈RD 上的概率分布来对整个世界建模，其中 p（x）表示 x 可能处于的状态。

这个世界可能非常复杂，我们无法知道 p（x）的具体形式。为了解决这个问题，我们引入另一个变量 z∈Rd 来描述 x 的背景信息。例如 x 是一个图像，那么 z 就可以记录关于图像中可见物体的出现、数量、类型，以及画面的背景和光影条件的信息。这个新的变量使得我们可以将 p（x）表示为一个无限混合模型。这是一个混合模型，因为对于 z 的任意可能取值，都引入另一个条件分布，并通过 z 的概率进行加权，最终得到 p（x）。

在这样的设定下，「给定 x 的观测值，隐变量 z 是什么」就成了一个非常有趣的问题。也就是说，我们希望知道后验分布 p(z∣x)。但是，z 和 x 之间可以呈现高度的非线性关系（比如，由一个多层神经网络实现），而且，D——我们观测值的维度，和 d——隐变量的维度，也可能非常大。由于边缘分布和后验分布都需要对（1）式积分求值，我们认为它们都是无法计算的。

我们可以通过蒙特卡罗抽样，根据 p(x)≈1M∑Mm=1p(x∣z(m))p(x)≈1M∑m=1Mp(x∣z(m)), z(m)∼p(z) 来估计（1）式，但由于 z 的空间可能非常大，我们可能需要上百万个 z 的样本，来得到一个可靠的估计。在训练一个概率模型的时候，我们可以使用参数分布 - 它的参数由一个参数为θ∈Θ的神经网络来确定。

现在，我们就可以使用极大似然估计来学习得到这些参数。这里的问题是，我们无法最大化（1）式，因为我们无法估计它。为了解决这个问题，我们可以求助于重要抽样（importance sampling）。当我们需要对原始（名义分布）概率密度分布（pdf）估算一个期望值时，IS 使得我们可以从另一个不同的概率分布（建议分布）中抽样，然后将这些样本对名义分布求期望。