Multi-Resolution Continuous Normalizing Flows

Abstract Jüngste Arbeiten haben gezeigt, dass Neuronale Gewöhnliche Differentialgleichungen (ODEs) als generative Modelle von Bildern dienen können, unter Verwendung der Perspektive der Kontinuierlichen Normalisierungsflüsse (CNFs). Solche Modelle bieten exakte Wahrscheinlichkeitsberechnungen und umkehrbare Generierung/Dichteabschätzungen. In dieser Arbeit führen wir eine Multi-Resolution-Variante solcher Modelle (MRCNF) ein, indem wir die bedingte Verteilung über die zusätzlichen Informationen charakterisieren, die erforderlich sind, um ein feines Bild zu erzeugen, das mit dem groben Bild übereinstimmt. Wir führen eine Transformation zwischen Auflösungen ein, die keine Änderung der Log-Wahrscheinlichkeit zulässt. Wir zeigen, dass dieser Ansatz vergleichbare Wahrscheinlichkeitswerte für verschiedene Bilddatensätze liefert, mit verbesserter Leistung bei höheren Auflösungen, mit weniger Parametern, und verwenden nur eine GPU. Darüber hinaus untersuchen wir die Eigenschaften von MRCNFs außerhalb der Verteilung und stellen fest, dass sie denen anderer wahrscheinlichkeitssbasierter generativer Modelle ähnlich sind.