Flow-based Deep Generative Models

摘要

介紹了流式深度生成模型，特別是基於變分自編碼器（VAE）的變分流（Flow-based VAE）。文章解釋了傳統 GAN 和 VAE 無法直接學習真實資料的機率密度函式的難處，並說明流式模型如何利用可逆變換來精確計算 $p(x)$。文章重點介紹了 RealNVP、NICE、Glow 等具體模型架構，並探討了自回歸流（MAF/IAF）在資料生成與密度估計中的應用。

This article introduces flow-based deep generative models, specifically flow-based VAEs, explaining how they overcome the difficulty of estimating the true data probability density function. It details architectures like RealNVP, NICE, and Glow, and explores autoregressive flows for data generation.

重點

• 文章探討了為何傳統 GAN 和 VAE 難以直接估計真實資料的機率密度函式。
• 流式模型透過可逆變換序列，精確計算 $p(x)$ 並解決難題。
• RealNVP、NICE、Glow 是基於變分自編器的典型流式生成模型。

提到的工具與公司

• RealNVP
• NICE
• Glow
• MAF
• IAF
• 1x1 Convolution

適合誰看

對變分自編器和機器學習中的機率密度估計感興趣的程式開發者。

摘要依據

講者

Lilian Weng

依據

文章全文

為什麼排在這裡

人氣

0.75

新鮮

0.00

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• 【生成式AI導論 2024】第18講：有關影像的生成式AI (下) — 快速導讀經典影像生成方法 (VAE, Flow, Diffusion, GAN) 以及與生成的影片互動影片 ・ Hung-yi Lee ・ 37 分鐘（在新分頁開啟原站）
• MIT 6.S191: Deep Generative Modeling影片 ・ Alexander Amini ・ 50 分鐘（在新分頁開啟原站）
• What are Diffusion Models?文章 ・ Lilian Weng（部落格）
• 【生成式人工智慧與機器學習導論2025】第 9 講：影像和聲音上的生成策略 — Diffusion/Flow-matching 系列和接龍 (Autoregressive) 這兩條世界線的交會影片 ・ Hung-yi Lee ・ 2 小時 3 分（在新分頁開啟原站）
• Flow-Matching vs Diffusion Models explained side by side影片 ・ AI Coffee Break with Letitia ・ 16 分鐘（在新分頁開啟原站）
• Image Generation and Visual Intelligence with Black Forest LabsPodcast ・ Practical AI ・ 48 分鐘