Nous dérivons un nouveau modèle génératif à partir d’une inférence a posteriori gaussienne itérative. En traitant l’échantillon généré comme une variable inconnue, nous pouvons formuler le processus d’échantillonnage dans le langage de la probabilité bayésienne. Notre modèle utilise une suite d’étapes de prédiction et de mise à jour a posteriori pour affiner progressivement l’échantillon inconnu à partir d’une croyance initiale large. En plus d’une analyse théorique rigoureuse, nous établissons un lien entre notre modèle et les modèles de diffusion, et montrons qu’il inclut les Réseaux de Flux Bayésiens (BFNs) comme un cas particulier. Dans nos expériences, nous démontrons que notre modèle améliore la qualité des échantillons sur ImageNet32 par rapport à la fois aux BFNs et aux Modèles de Diffusion Variationnels étroitement liés, tout en atteignant des log-vraisemblances équivalentes sur ImageNet32 et CIFAR10. Retrouvez notre code à l’adresse suivante : https://github.com/martenlienen/bsi.