Amélioration des VRNN conditionnels pour la prédiction vidéo

La prédiction des images futures dans une séquence vidéo est une tâche de modélisation générative complexe. Parmi les approches prometteuses figurent les modèles à variables latentes probabilistes, tels que l'Auto-Encodeur Variationnel (Variational Auto-Encoder). Bien que les AEsV puissent gérer l'incertitude et modéliser plusieurs résultats futurs possibles, ils ont tendance à produire des prédictions floues. Dans ce travail, nous soutenons que cela est un signe de sous-adjustement. Pour remédier à ce problème, nous proposons d'augmenter l'expressivité des distributions latentes et d'utiliser des modèles de vraisemblance à plus grande capacité. Notre approche repose sur une hiérarchie de variables latentes, qui définit une famille de distributions a priori et a posteriori flexibles afin de mieux modéliser la probabilité des séquences futures. Nous validons notre proposition par une série d'expériences d'ablation et comparons notre méthode aux modèles à variables latentes actuellement en pointe. Notre méthode obtient des résultats favorables selon plusieurs métriques dans trois jeux de données différents.