Feb, 2020

增强规范流：填补生成流和潜变量模型之间的差距

PDF
TL;DR本文提出了一种新的生成流家族，它可以改善表达能力而不会显著增加抽样和似然下界评估的计算成本，并且可以理论上证明所提出的流可以近似于哈密顿 ODE 作为一种通用的传输映射，在流模型建模的标准基准测试中表现出领先的性能。
generative flowsexpressivityaugmented data spacehamiltonian odeflow-based generative modeling
发现论文，激发创造
  • 离散序列的潜在正则化流

    提出了一种基于 VAE 的生成模型，该模型联合训练了基于正则化流的潜在空间分布和到观察到的离散空间的随机映射，解决了直接对离散序列应用正则化流所面临的挑战，并具有可比拟的性能和流灵活性。

    Jan, 2019

  • VFlow: 用变分数据增强方法实现更具表现力的生成式流模型

    本文介绍了一种通过增加数据而扩展中间维度限制的方法 VFlow，提高了生成流模型的表达能力，并在 CIFAR-10 数据集上实现 2.98 bits per dimension 的最新成果。

    Feb, 2020

  • 自由形式流动：使任何架构成为标准化流量

    我们通过使用梯度的有效估计器来克服了正规化流设计受到解析可逆性需求的约束，并实现了任意保持维度的神经网络作为最大似然训练的生成模型，在分子生成基准测试中取得了出色的结果，同时采用现成的 ResNet 架构在一个反问题基准测试中具有竞争力。

    Oct, 2023

  • 维度通用的正则化流

    本研究介绍了一种名为 NIF 的流行有噪声映射模型，可以通过注入变换学习数据流形的降维表示，有效提高了样品质量和数据嵌入的可分性。

    Jun, 2020

  • 两种潜变流的故事：基于短程 Langevin 流的学习潜空间正规化流进行近似推断

    本研究提出一种基于 Markov chain Monte Carlo (MCMC) 的最大似然算法的潜空间归一化流模型，可实现图像生成、重构、异常检测、受监督的图像修补和无监督的图像修复。

    Jan, 2023

  • SurVAE Flows: 通过满射函数填补 VAE 与 Flow 模型之间的鸿沟

    本文提出了 SurVAE Flows 作为一个模块化的框架来组合深度学习中的生成模型 Normalizing flows 和 Variational autoencoders，通过使用双射变换来建模密度和可逆变换，桥接了两种模型之间的差距，同时介绍了一些通用操作。

    Jul, 2020

  • 生成模型中的潜在遍历作为潜在流

    该研究的主要目的是通过使用学习的动态潜在地形建模潜在空间，以及受物理学和神经科学启发的偏微分方程，实现语义上有意义的潜在遍历，同时在模型训练中通过作为正则化项的方式，提高模型推断的准确性和结构化表示的学习。

    Apr, 2023

  • 具有双曲标准化流的潜变量建模

    本研究论文介绍了一种在双曲空间上扩展 Normalizing Flow 的方法，使其能够更好地模拟具有分层结构的数据，并展示了该方法在密度估计和图数据重建等领域的高效性与优越表现。

    Feb, 2020

  • 从有条件的归一化流中提取知识

    本研究通过提出一种简单的蒸馏方法，证明了在图像超分辨率和语音合成领域，可以将基于流的模型提炼为更高效的替代模型。

    Jun, 2021

  • 正规流：当前方法的介绍与评述

    本文综述了 Normalizing Flows 在分布学习中的构建和使用，旨在提供模型的背景和解释，回顾现有的最新文献，并确定未来可行的有前途的方向和未解决的问题。

    Aug, 2019