Das unüberwachte Lernen von Wahrscheinlichkeitsmodellen ist ein zentrales, jedoch herausforderndes Problem im Maschinellen Lernen. Insbesondere ist die Entwicklung von Modellen mit handhabbarem Lernen, Abtasten, Schließen und Evaluieren entscheidend für die Lösung dieser Aufgabe. Wir erweitern den Raum solcher Modelle durch die Verwendung von reellwertigen volumenerhaltenden Transformationen (real NVP), einer Reihe mächtiger umkehrbarer und lernfähiger Transformationen. Dies führt zu einem Algorithmus für das unüberwachte Lernen, der exakte Log-Likelihood-Berechnungen, exaktes Abtasten, exaktes Schließen über latente Variablen und einen interpretierbaren latenten Raum ermöglicht. Wir zeigen seine Fähigkeit zur Modellierung natürlicher Bilder anhand von vier Datensätzen durch Abtasten, Log-Likelihood-Evaluierung und Manipulation der latenten Variablen.