SoftFlow：多様体上の正規化フローの確率論的枠組み

流れベースの生成モデルは、同じ次元を持つ二つの確率変数間の可逆変換から構成される。そのため、データ分布の次元が潜在的なターゲット分布の次元と一致しない場合、流れベースのモデルは適切に訓練できない。本論文では、多様体上での正規化流れの訓練を可能にする確率的枠組みであるSoftFlowを提案する。次元の不一致問題を回避するため、SoftFlowはデータ分布を直接学習するのではなく、摂動を加えた入力データの条件付き分布を推定する。実験により、従来の流れベースモデルとは異なり、SoftFlowが多様体データの本質的な構造を捉え、高品質なサンプルを生成できることを示した。さらに、本フレームワークを3次元点群に適用し、流れベースモデルが細長い構造を形成する困難さを軽減した。本研究で提案する3次元点群用モデル、すなわちSoftPointFlowは、多様な形状の分布をより正確に推定でき、点群生成において最先端の性能を達成した。