Aug, 2021

Moser Flow: 基于发散性的流形生成建模

PDF
TL;DR本文介绍了 Moser Flow 一种新型连续归一化流的生成模型，它可以通过求解变量转换公式得到归一化流，学习模型密度的参数形式为源（先验）密度减去神经网络的发散，通过该模型的学习在复杂的流形曲面采样与密度估计上取得了显著的性能提升。
发现论文，激发创造
  • 神经流形常微分方程

    本文提出了一种称为神经流动流形的新型生成模型，可以更好地适应数据几何，增加了模型的通用性和表达能力并提高了密度估计和下游任务的效果。

    Jun, 2020

  • 神经网格流：通过微分流生成三维流形网格

    提出了基于神经元流形流 (Neural Mesh Flow) 的方法来生成具有二次曲面流形的三维网格模型，具有较高的几何精度和更好的适用性于基于物理的渲染和模拟。

    Jul, 2020

  • 同时流形学习和密度估计的流形

    介绍了一种名为 manifold-learning flows（M-flows）的生成模型，其可以同时学习数据流形以及流形上的概率密度，并提供降维、去噪以及区分分布等功能。同时，新的训练算法能够分离流形和密度更新，并通过一系列实验证明，M-flows 可以学习数据流形并比标准 normalizing flows 在全局数据空间下提供更好的推理。

    Mar, 2020

  • 流形到流形映射的基于流量的生成模型

    本研究提出了一种基于 GLOW 的双流版本，能够在给定另一个流形测量类型的情况下合成其他类型的测量信息，并引入了三种用于流形数据的可逆层，其中包括对人脑图像进行重构和合成的实验。

    Dec, 2020

  • 学习流形上的可追踪密度估计与共形嵌入流

    本文提出一种名为 Conformal Embedding Flows 的框架，旨在为具备低纬度流形的数据提供可追踪密度的规范流模型，并通过一系列实验验证其有效性。

    Jun, 2021

  • 使用自由形式流形学习流分布

    我们提出了一种在 Riemannian 流形上进行分布学习的替代方法，该方法只需要一次函数评估，然后将结果投影到流形上。通过在切空间中评估的迹来估计负对数似然的梯度，我们在各种流形上评估了我们的方法，并发现相比之前的工作，推断速度显著提高且具有竞争性的性能。我们在该网址上公开了我们的代码。

    Dec, 2023

  • 黎曼连续归一化流

    本文提出 Riemannian 连续正规化流模型，通过设置连续性流作为常微分方程的解来定义流，其可以对光滑流形上的灵活概率测度进行有效参数化，在合成和现实数据方面与标准流或先前介绍的预测流相比可以显著提高表现。

    Jun, 2020

  • 一般几何中的黎曼流匹配

    该文提出了 Riemannian Flow Matching (RFM) 框架，用于基于流的生成建模，可在流形上进行直接而有效的训练，并且在真实世界的非欧几里得数据集上达到了最先进的性能。

    Feb, 2023

  • 流形学习的规范正则化流模型

    通过学习具有少量维度流形的生成建模技术，提出一种新的建模流方法，实现了对数据的高效表示，从而更好地近似目标分布并产生较低的 FID 分数。

    Oct, 2023

  • SoftFlow：流形概率归一化流框架

    本文提出了 SoftFlow，一种用于训练流模型的概率框架，能够更好地捕捉流模型的困难维度，并通过应用于三维点云数据，可以更准确地预测各种形状的分布，达到了流模型生成方面的最佳表现。

    Jun, 2020