Jun, 2020

NanoFlow: 可扩展的归一化流，具有次线性参数复杂度

PDF
TL;DR本研究提出了一种名为 NanoFlow 的新参数化方案，可以使用单个神经密度估计器来模拟多个转换阶段，实现了可扩展的归一化流的新的参数有效解决方案。
normalizing flowsdeep generative modelsnanoflowneural density estimatorparameter-efficient
发现论文，激发创造
  • 归一化流的变体和放宽

    通过结合其他生成模型类别的方面，如 VAEs 和基于分数的扩散，放宽了 NFs 的严格双射约束，从而实现了表达能力、训练速度、样本效率和似然可追踪性的平衡。

    Sep, 2023

  • 使用条件正则流学习似然函数

    本文介绍了一种新方法，叫做 CNF，用于建模条件密度函数和解决结构预测问题，同时证明了该方法在超分辨率和血管分割等任务上具有竞争力。

    Nov, 2019

  • 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

  • 低维流形密度估计：一种膨胀 - 收缩方法

    本论文提出了基于神经网络的普适密度估计器 —— 标准化流，针对其仅适用于欧几里得空间的不足，提出了通过在正常空间中添加噪声来扩展数据流形、训练标准化流后再缩减学习得到的密度的新方法，该方法的复杂度与标准化流相同且无需计算反向流，当嵌入维度远大于流形维度时，正常空间中的噪声可以很好地近似为高斯噪声，从而可以用于逼近未知流形上任意的密度函数。

    May, 2021

  • 图形规范化流

    本文提出了一种新型、基于图的生成模型 —— 图可逆正则流，并尝试将其应用于监督学习和非监督学习任务中，与其他自回归模型相比表现良好且更适合于并行计算架构。

    May, 2019

  • 噪声流：带条件的标准化流噪声建模

    介绍了基于 normalizing flow 的强大而精确的噪声模型 Noise Flow，结合了基本参数噪声模型和神经网络的灵活性和表现力。与已有的噪声模型相比，Noise Flow 具有显著的改进，是第一次试图超越简单的参数模型，利用深度学习和数据驱动的噪声分布来建模和综合图像噪声。

    Aug, 2019

  • 深度形变正则化流

    DDNF 模型是一种基于普通微分方程 (ODE) 和递归神经网络 (RNN) 的正则差分流模型，具有高效的似然度评估和柔性的密度估计能力， 是一种具有竞争力的新型神经密度估计技术，还可以在 Riemannian 半群中扩展。

    Oct, 2018

  • PINF：用于物理约束深度学习的连续归一化流

    本文介绍了基于物理信息的归一化流（PINF），它是连续归一化流的一种新方法，通过特征方法结合扩散，能高效解决高维时间依赖和稳态福克 - 普朗克方程。

    Sep, 2023

  • 核化归一化流

    本研究提出了 Ferumal 流，一种新型的基于核的归一化流范式，将核函数与框架结合。结果表明，与基于神经网络的流相比，基于核的流可以在保持参数效率的同时产生竞争性或更好的结果。基于核的流在数据稀缺情况下表现出色，可在应用中进行灵活的非参数密度估计。

    Jul, 2023

  • 密集连接归一化流

    该文研究了通过交叉单元耦合和密集连接等方法增强正常化流模型表达能力并提高密度估计精度的问题。

    Jun, 2021