Les modèles génératifs basés sur les flux (Dinh et al., 2014) sont conceptuellement attrayants en raison de la traçabilité de la vraisemblance logarithmique exacte, de la traçabilité de l'inférence exacte des variables latentes et de la parallélisation possible lors de l'entraînement et de la synthèse. Dans cet article, nous proposons Glow, un type simple de flux génératif utilisant une convolution inversible 1x1. Grâce à notre méthode, nous démontrons une amélioration significative de la vraisemblance logarithmique sur des benchmarks standards. Peut-être plus remarquable encore, nous montrons qu'un modèle génératif optimisé vers l'objectif de la vraisemblance logarithmique simple est capable d'une synthèse réaliste et efficace, ainsi que d'une manipulation des grandes images. Le code de notre modèle est disponible à l'adresse suivante : https://github.com/openai/glow