反復的ノイズ除去を備えた正規化フローの定式化
本文の状態
日本語全文を表示中
詳細モードで約1分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
Apple Machine Learning
研究者が、画像生成モデルの性能向上を目指すため、拡散モデルとは異なる完全なエンドツーエンド方式を採用した「iTARFlow」という新しい手法を開発しました。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
正規化フロー（NFs）は、尤度ベースの手法の古典的なファミリーであり、再び注目を集めています。TARFlow などの最近の研究により、NFs が画像モデリングタスクにおいて有望な性能を達成できることが示され、拡散モデルなどの他の手法に対する実用的な代替手段となり得ることが明らかになりました。本研究では、反復型 TARFlow（iTARFlow）を導入することで、正規化フロー生成モデルの現状をさらに前進させます。拡散モデルとは異なり、iTARFlow はトレーニング中に完全にエンドツーエンドで尤度ベースの目的関数を維持します。サンプリング時には自己回帰的生成を行い…
原文を表示
Normalizing Flows (NFs) are a classical family of likelihood-based methods that have received revived attention. Recent efforts such as TARFlow have shown that NFs are capable of achieving promising performance on image modeling tasks, making them viable alternatives to other methods such as diffusion models. In this work, we further advance the state of Normalizing Flow generative models by introducing iterative TARFlow (iTARFlow). Unlike diffusion models, iTARFlow maintains a fully end-to-end, likelihood-based objective during training. During sampling, it performs autoregressive generation…
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み