초록
최근 연구에서는 연속 정규화 흐름(Continuous Normalizing Flows, CNFs)의 관점에서 신경 미분방정식(Neural Ordinary Differential Equations, ODEs)이 이미지의 생성 모델로 활용될 수 있음을 보여주었다. 이러한 모델들은 정확한 가능도 계산과 역함수 가능한 생성/밀도 추정을 가능하게 한다. 본 연구에서는 더 정교한 이미지를 거친 이미지와 일관되게 생성하기 위해 필요한 추가 정보에 대한 조건부 분포를 특성화함으로써, 이러한 모델의 다중 해상도(variant) 버전인 MRCNF(Multi-Resolution Continuous Normalizing Flows)를 제안한다. 또한, 해상도 간 전환을 가능하게 하는 변환을 도입하여 로그 가능도가 변화하지 않도록 한다. 제안한 방법은 다양한 이미지 데이터셋에서 기존 모델과 유사한 가능도 값을 달성하며, 더 높은 해상도에서 더 우수한 성능을 보이며, 파라미터 수를 줄이고 단일 GPU만을 사용함으로써 효율성을 높였다. 또한, (다중 해상도) 연속 정규화 흐름의 이탈 분포(out-of-distribution) 성질을 분석한 결과, 다른 가능도 기반 생성 모델들과 유사한 특성을 나타내는 것을 확인하였다.