术语slug: normalizing-flow

归一化流

Normalizing Flow

通过一系列可逆变换将简单分布映射到复杂目标分布的生成模型

收录情报动态

共 4 篇 · 第 1/1 页
Apple Machine Learning ResearchT1·基座大模型
78 分
宾大与 UIUC 提出 NTM:用归一化流实现四步精确似然图像生成

宾夕法尼亚大学与伊利诺伊大学厄巴纳-香槟分校联合推出 Normalizing Trajectory Models (NTM),通过引入条件归一化流解决扩散模型在少步采样中丢失精确似然的问题。该架构结合浅层可逆块与深层并行预测器,支持从零训练或从预训练流匹配模型初始化,并在文生图基准测试中以仅 4 步采样达到或超越强基线性能,同时保留轨迹的精确似然以支持自蒸馏。

OpenAI 官方博客T1·基座大模型
78 分
OpenAI 发布 Glow:可逆生成模型新架构

OpenAI 推出名为 Glow 的可逆生成模型,通过引入可逆 1x1 卷积简化了此前流模型的架构。该模型支持高分辨率图像的高效采样与生成,并能发现可用于数据属性操控的特征,代码及可视化工具已开源。