Flow++: 변분 해양화와 아키텍처 설계를 이용한 흐름 기반 생성 모델의 개선

플로우 기반 생성 모델은 효율적인 샘플링과 추론을 제공하는 강력한 정확한尤似度模型입니다. 그러나 그들의 계산 효율성에도 불구하고, 플로우 기반 모델은 일반적으로 최신 자기회귀 모델에 비해 밀도 모델링 성능이 크게 떨어집니다. 본 논문에서는 이전 연구에서 플로우 기반 모델이 사용한 세 가지 제한적인 설계 선택을 조사하고 개선하였습니다: 균일 노이즈를 이용한 디양자화, 표현력이 부족한 아핀 플로우의 사용, 그리고 결합 층에서 순수하게 합성곱 조건부 네트워크의 사용입니다. 우리의 연구 결과를 바탕으로, 우리는 Flow++라는 새로운 플로우 기반 모델을 제안합니다. 이 모델은 표준 이미지 벤치마크에서 무조건적 밀도 추정에 있어 현재 최고의 비자기회귀 모델입니다. 우리의 연구는 지금까지 자기회귀 모델과 플로우 기반 모델 사이에 존재하던 큰 성능 차이를 좁히는 데 기여하고 있습니다. 우리의 구현은 https://github.com/aravindsrinivas/flowpp 에서 확인할 수 있습니다.注:在“尤似度模型”这部分,原文为“likelihood model”,正确的韩文翻译应为“가능도 모델”。以下是修正后的版本:플로우 기반 생성 모델은 효율적인 샘플링과 추론을 제공하는 강력한 정확한 가능도 모델입니다. 그러나 그들의 계산 효율성에도 불구하고, 플로우 기반 모델은 일반적으로 최신 자기회귀 모델에 비해 밀도 모델링 성능이 크게 떨어집니다. 본 논문에서는 이전 연구에서 플로우 기반 모델이 사용한 세 가지 제한적인 설계 선택을 조사하고 개선하였습니다: 균일 노이즈를 이용한 디양자화, 표현력이 부족한 아핀 플로우의 사용, 그리고 결합 층에서 순수하게 합성곱 조건부 네트워크의 사용입니다. 우리의 연구 결과를 바탕으로, 우리는 Flow++라는 새로운 플로우 기반 모델을 제안합니다. 이 모델은 표준 이미지 벤치마크에서 무조건적 밀도 추정에 있어 현재 최고의 비자기회귀 모델입니다. 우리의 연구는 지금까지 자기회귀 모델과 플로우 기반 모델 사이에 존재하던 큰 성능 차이를 좁히는 데 기여하고 있습니다. 우리의 구현은 https://github.com/aravindsrinivas/flowpp 에서 확인할 수 있습니다.