摘要

基于流的生成模型由两个同维随机变量之间的可逆变换构成。因此，当数据分布的维度与底层目标分布的维度不匹配时，基于流的模型难以得到有效训练。本文提出SoftFlow，一种用于在流形上训练归一化流的概率框架。为规避维度不匹配问题，SoftFlow不直接学习数据分布，而是估计扰动后输入数据的条件分布。实验结果表明，SoftFlow能够有效捕捉流形数据的内在结构，并生成高质量样本，这相较于传统基于流的模型具有显著优势。此外，我们将该框架应用于三维点云数据，以缓解基于流模型在构建细长结构时面临的困难。所提出的三维点云模型——SoftPointFlow，能够更准确地估计多种形状的分布，在点云生成任务中达到了当前最优的性能表现。