Indexed by：
Abstract：
针对潜变量空间解耦具有可选择性地调整数据属性，实现更可控的数据生成的特性，提出一种提高解耦任务度量指标的方法.该方法在编码器阶段，运用自注意力机制和残差网络，使模型更有效地捕捉长期依赖关系，增强模型的维度适应性.在训练阶段，提出新颖损失函数使潜变量空间编码维度与属性值趋向单调关系，从而更好地调节损失函数所处区间范围，达到优化目的.通过对比实验表明，本模型和方法在图像的潜变量空间解耦生成上优于变分自编码机(variational auto encoder, VAE)及属性正则化(AR-VAE)模型模型，且具有更为轻量级的网络架构.
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
福州大学学报(自然科学版)
ISSN： 1000-2243
CN： 35-1337/N
Year： 2022
Issue： 03
Volume： 50
Page： 337-344
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 1
Affiliated Colleges：
