摘要
归一化流（Normalizing Flow）是一种高效的生成建模方法，具有快速采样能力。然而，基于流的模型存在两个关键问题：其一，当目标分布位于低维流形（manifold）上时，由于潜在空间分布与数据分布之间维度不匹配，基于流的模型可能表现不佳；其二，对于离散数据，基于流的模型可能退化为点质量的退化混合分布（degenerate mixture of point masses）。为解决上述两个问题，本文提出一种新颖的去量化方法——PaddingFlow，该方法通过在归一化流中引入填充维度的噪声来提升模型性能。实现PaddingFlow仅需调整归一化流的维度，因此方法实现简单且计算开销极低。此外，填充维度的噪声仅添加至填充维度，这意味着PaddingFlow能够在不改变原始数据分布的前提下实现去量化。相比之下，现有去量化方法通常需要对数据分布进行修改，这可能对模型性能造成负面影响。我们在多个主流无条件密度估计基准上验证了所提方法，涵盖五个表格数据集、四个图像数据集（用于变分自编码器，VAE模型），以及条件密度估计任务中的逆运动学（Inverse Kinematics, IK）实验。实验结果表明，PaddingFlow在所有测试任务中均取得了优于现有方法的表现，证明其在多种任务中具有广泛适用性。代码已公开，地址为：https://github.com/AdamQLMeng/PaddingFlow。