Flussbasierte Generative Modelle (Dinh et al., 2014) sind konzeptionell ansprechend aufgrund der Handhabbarkeit der exakten Log-Likelihood, der Exaktheit der latente Variable Inferenz und der Parallelisierbarkeit sowohl des Trainings als auch der Synthese. In dieser Arbeit schlagen wir Glow vor, ein einfaches Generativmodell, das eine invertierbare 1x1-Faltung verwendet. Mit unserer Methode zeigen wir einen signifikanten Verbesserung der Log-Likelihood bei Standard-Benchmarks. Besonders bemerkenswert ist, dass wir demonstrieren, dass ein generatives Modell, das auf das reine Log-Likelihood-Ziel optimiert wurde, in der Lage ist, große Bilder realistisch und effizient zu synthetisieren und zu manipulieren. Der Code für unser Modell ist unter https://github.com/openai/glow verfügbar.