要約
我々は、反復的なガウス事後分布推論から新しい生成モデルを導出する。生成されたサンプルを未知変数として扱うことで、サンプリングプロセスをベイズ確率の言語で定式化できる。本モデルは、初期の広範な信念から出発し、逐次的な予測と事後分布の更新ステップを繰り返すことで、未知のサンプルを次第に絞り込んでいく。厳密な理論的解析に加え、本モデルと拡散モデル（diffusion models）との関係を明らかにし、ベイズフローネットワーク（Bayesian Flow Networks, BFNs）が本モデルの特別な場合であることを示した。実験において、ImageNet32においてBFNsおよび類似する変分拡散モデル（Variational Diffusion Models）と比較してサンプル品質を向上させつつ、ImageNet32およびCIFAR10における対数尤度は同等の性能を達成することを示した。コードは https://github.com/martenlienen/bsi で公開されている。