详细内容或原文请订阅后点击阅览
通过迭代去噪对流进行归一化
归一化流 (NF) 是基于可能性的经典方法系列，已重新受到关注。 TARFlow 等最近的努力表明，NF 能够在图像建模任务上取得有前景的性能，使其成为扩散模型等其他方法的可行替代方案。在这项工作中，我们通过引入迭代 TARFlow (iTARFlow) 进一步推进规范化流生成模型的状态。与扩散模型不同，iTARFlow 在训练期间保持完全端到端、基于可能性的目标。在采样过程中，它执行自回归生成......
来源:Apple机器学习研究归一化流 (NF) 是基于可能性的经典方法系列，已重新受到关注。 TARFlow 等最近的努力表明，NF 能够在图像建模任务上取得有前景的性能，使其成为扩散模型等其他方法的可行替代方案。在这项工作中，我们通过引入迭代 TARFlow (iTARFlow) 进一步推进规范化流生成模型的状态。与扩散模型不同，iTARFlow 在训练期间保持完全端到端、基于可能性的目标。在采样过程中，它执行自回归生成，然后执行受扩散式方法启发的迭代去噪过程。通过大量的实验，我们表明 iTARFlow 在 64、128 和 256 像素的 ImageNet 分辨率上实现了具有竞争力的性能，展示了其作为强大的生成模型的潜力，并推进了标准化流的前沿。此外，我们还分析了 iTARFlow 产生的特征工件，提供可能有助于未来改进的见解。代码可在 https://github.com/apple/ml-itarflow 获取。