摘要
在本工作中，我们提出了一类定义在扩展数据空间上的新型生成流模型，旨在提升模型的表达能力，同时避免显著增加采样及似然下界评估的计算开销。理论上，我们证明了所提出的流模型可作为通用传输映射，逼近哈密顿微分方程（Hamiltonian ODE）。在实验上，我们在基于流的生成建模标准基准测试中展现了当前最优的性能表现。
代码仓库
mj-will/augmented-flows
pytorch
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| image-generation-on-celeba-256x256 | ANF Huang et al. (2020) | bpd: 0.72 |
| image-generation-on-imagenet-32x32 | ANF Huang et al. (2020) | bpd: 3.92 |