NIPS2018深度学习(29)|亮点:可逆卷积流模型;条件GANs;高斯过程先验变分自编码(论文及代码)...

[1] Glow: Generative Flow with Invertible 1×1 Convolutions

Diederik P. Kingma, Prafulla Dhariwal

OpenAI, Google AI

https://papers.nips.cc/paper/8224-glow-generative-flow-with-invertible-1x1-convolutions.pdf

流式生成模型(Dinh et al. 2014)在概念上具有吸引性，有以下几个原因，它能处理精确的对数似然度，能处理精确的隐变量推理，还可以并行处理训练和合成。

这篇文章提出了Glow，这是一种简单的生成式流式模型，该模型利用可逆的1×1卷积。这种方法在基准数据集上在对数似然度方面取得了显著的提升。令人吃惊的是，流式生成模型利用一般的对数似然度目标优化时，可以高效地合成和变换近似真实的大图片。

基于似然度的方法可以分为以下三类

基于流的生成方法具有以下特性

本文所提模型图示如下

本文所提流的三个主要组成部分，逆以及对数行列式统计如下

三种方法的效果对比如下