소프트플로우: 매니폴드 상의 노멀라이징 플로우를 위한 확률적 프레임워크

기반 흐름(generative) 모델은 동일한 차원을 가진 두 개의 확률변수 간의 가역 변환으로 구성된다. 따라서 데이터 분포의 차원이 기반 타겟 분포의 차원과 일치하지 않을 경우, 기존의 흐름 기반 모델은 충분히 학습될 수 없다. 본 논문에서는 다양체(manifold) 상에서 정규화 흐름을 학습하기 위한 확률적 프레임워크인 SoftFlow를 제안한다. 차원 불일치 문제를 해결하기 위해 SoftFlow는 데이터 분포를 직접 학습하는 대신, 왜곡된 입력 데이터에 대한 조건부 분포를 추정한다. 실험을 통해 SoftFlow가 기존의 흐름 기반 모델과 달리 다양체 데이터의 내재 구조를 효과적으로 포착하고 고품질의 샘플을 생성할 수 있음을 입증하였다. 더불어, 본 프레임워크를 3차원 포인트 클라우드에 적용하여 흐름 기반 모델이 미세한 구조를 형성하는 데 어려움을 완화하였다. 제안된 3차원 포인트 클라우드용 모델인 SoftPointFlow는 다양한 형태의 분포를 더 정확히 추정하며, 포인트 클라우드 생성 분야에서 최신 기술 수준의 성능을 달성하였다.