iTARFlow fa progredire i modelli generativi di normalizing flow
Un nuovo modello generativo chiamato iterative TARFlow (iTARFlow) è stato sviluppato dai ricercatori. Questo modello integra la generazione autoregressiva con un approccio di denoising iterativo. A differenza dei tradizionali modelli di diffusione, iTARFlow impiega un obiettivo completamente end-to-end basato sulla verosimiglianza durante tutta la fase di addestramento. Per il campionamento, utilizza la generazione autoregressiva seguita da un processo di denoising che trae ispirazione dalle tecniche di diffusione. iTARFlow mostra risultati impressionanti su ImageNet, raggiungendo prestazioni competitive a risoluzioni di 64, 128 e 256 pixel. Questo avanzamento evidenzia le sue capacità come modello generativo robusto e spinge i confini dei normalizing flow. I risultati sono disponibili su arXiv:2604.20041.
Fatti principali
- iTARFlow è un nuovo modello generativo di normalizing flow introdotto dai ricercatori.
- Combina la generazione autoregressiva con il denoising iterativo.
- A differenza dei modelli di diffusione, iTARFlow mantiene un obiettivo completamente end-to-end basato sulla verosimiglianza durante l'addestramento.
- Durante il campionamento, esegue la generazione autoregressiva seguita dal denoising iterativo.
- iTARFlow raggiunge prestazioni competitive su ImageNet a risoluzioni di 64, 128 e 256 pixel.
- Il modello dimostra potenziale come modello generativo forte.
- La ricerca è pubblicata su arXiv con identificatore 2604.20041.
- Il lavoro fa progredire la frontiera dei normalizing flow.
Entità
Istituzioni
- arXiv