MaCow：掩模卷积生成流

Feb, 2019

MaCow: Masked Convolutional Generative Flow

Xuezhe Ma, Xiang Kong, Shanghang Zhang, Eduard Hovy

TL;DR本文介绍了一种基于掩蔽卷积的生成式流模型 (MaCow)，通过对小卷积核的本地连接进行限制，实现快速而稳定的训练和高效的采样，显著提高了标准图像基准测试的密度估计性能，极大地缩小了与自回归模型之间的差距。

Abstract

flow-based generative models, conceptually attractive due to tractability of both the exact log-likelihood computation and latent-variable inference, and efficiency of both training and sampling, has led to a number of impressive empirical successes and spawned many advanced variants a

flow-based generative models density estimation autoregressive models masked convolutional generative flow image benchmarks

发现论文，激发创造

掩码自回归流密度估计

使用 Masked Autoregressive Flow 构建自回归模型栈，提高神经密度估计的灵活性，达到最先进的性能表现。

May, 2017

多尺度自回归先验的归一化流

通过在流式生成模型的潜在空间中引入多尺度自回归先验 (mAR)，我们提高了流式模型的表征能力，使得其在密度估计和图像生成方面都获得了新的最好结果。

Apr, 2020

通过使用高斯混合模型和遮蔽自回归流进行概率分类

使用密度估计方法的分类器通过使用高斯混合模型和掩码自回归流等方法来建模数据的类别似然度，优于仅使用单个高斯分布的简单分类器。这项研究为提出其他基于联合密度估计的概率分类器打开了研究之门。

Oct, 2023

用于自回归模型的局部掩蔽卷积

使用 LMConv 实现了生成模型的任意序列生成，可以用于图像完成等任务，在整体图像密度估计（2.89 bdp 无条件 CIFAR10）方面取得了改进的性能，同时实现了全局连贯图像完成。

Jun, 2020

GFlowOut: 基于生成性流网络的 Dropout

本研究旨在提出一种名为 GFlowOut 的方法，利用生成性流网络（GFlowNets）的概率框架来学习丢弃掩码的后验分布，并解决用传统变分推断方法来估算高度多模式后验分布及利用样本相关信息的困难，最终实验证明 GFlowOut 的预测分布具有更好的泛化性和提供更好的不确定性估计。

Oct, 2022

Copula＆边缘流：将边缘与其联合分离

本论文通过引入 copula 和 marginal generative flows (CM 流)，解决了深度生成网络中存在的尾部特性建模或外推的问题并提出了上界方法。最终的结果支持了 CM 流的使用。

Jul, 2019

Flow++: 流模型生成模型的变分去量化和架构设计改进

通过改进流媒体生成模型的限定设计选择，包括去量化时使用均匀噪声、使用不可表述的仿射流以及在耦合层中使用纯卷积神经网络，我们提出了一种新的流基模型 Flow ++，它在标准图像基准上是现在最先进的非自回归模型，开始缩小自回归模型和流媒体模型之间显著的性能差距，并提供了代码实现。

Feb, 2019

WaveFlow: 面向原始音频的紧凑流模型

本文介绍了一种小型的 WaveFlow 产生式流，可以训练原始音频并合成高保真语音，只需几个步骤即可生成成千上万个时间步长的波形，并具有比 WaveGlow 小 15 倍的参数和 42.6 倍的音频合成速度。

Dec, 2019

离散点流网络用于高效点云生成

该研究论文探讨生成模型在三维点云形状建模方面的应用，提出一种基于归一化流和仿射耦合层的潜在变量模型，用于生成、自编码和单视角形状重构任务，相较最近的基于 GAN 和基于连续流的模型，该模型在训练和推理速度上有明显提升，并在特定指标上实现了优于其他模型的表现，包括单视角形状重构等。

Jul, 2020

生成流网络：马尔可夫链角度

本文对 Generative Flow Networks 进行了形式化，并将其视为循环马尔科夫链状态空间下采样的一种方法，这一方法可以在不使用流动的情况下模拟复杂的多模态概率分布函数。

Jul, 2023