NEWSON, Alasdair; TRAONMILIN, Yann

Métadonnées

Licence d’utilisation du document

NEWSON, Alasdair
Laboratoire Traitement et Communication de l'Information [LTCI]
Département Images, Données, Signal [IDS]
Image, Modélisation, Analyse, GEométrie, Synthèse [IMAGES]

TRAONMILIN, Yann
Institut de Mathématiques de Bordeaux [IMB]

Langue

Communication dans un congrès

Ce document a été publié dans

Sampling Theory and Applications Conference, 2023-07-10, Sampling Theory and Applications Conference. 2023

Résumé en anglais

We present the atomic autoencoder architecture, which decomposes an image as the sum of elementary parts that are parametrized by simple separate blocks of latent codes. We show that this simple architecture is induced by the definition of a general atomic low-dimensional model of the considered data. We also highlight the fact that the atomic autoencoder achieves disentangled low-dimensional representations under minimal hypotheses. Experiments show that their implementation with deep neural networks is successful at learning disentangled representations on two different examples: images constructed with simple parametric curves and images of filtered off-the-grid spikes.< Réduire

Mots clés en anglais

low dimensional models

autoencoders

disentanglement

URI

https://oskar-bordeaux.fr/handle/20.500.12278/190538

Project ANR

Régularisation performante de problèmes inverses en grande dimension pour le traitement de données - ANR-20-CE40-0001
Édition d'imgage avec des réseaux génératifs profonds - ANR-21-CE23-0024

Origine

Importé de hal

Unités de recherche

Institut de Mathématiques de Bordeaux (IMB) - UMR 5251