通过迭代去噪来规范流程

通过迭代去噪来规范流程作者陈天荣、谷家涛、David Berthelot、Joshua Susskind、Zhai双飞内容类型论文发表于2026年5月通过迭代去噪来规范流程作者陈天荣、谷家涛、David Berthelot、Joshua Susskind、

Zhai双飞标准化流（NF）是一个经典的基于可能性的方法家族，已重新受到关注。TARFlow等最近的努力表明，NF能够在图像建模任务中实现有希望的性能，使其成为扩散模型等其他方法的可行替代方案。

在这项工作中，我们通过引入迭代TARFlow（iTARFlow）进一步推进规范化流生成模型的状态。与扩散模型不同，iTARFlow在训练期间保持完全端到端、基于可能性的目标。在采样期间，它执行自回归生成，然后执行受扩散式方法启发的迭代去噪过程。

通过大量实验，我们表明iTARFlow在64、128和256像素的ImageNet分辨率上实现了有竞争力的性能，证明了其作为强大生成模型的潜力，并推进了规范化流的前沿。此外，我们还分析了iTARFlow产生的特征文物，提供可能有助于未来改进的见解。

代码可在https：//github上获取。com/apple/ml-itarFlow。

STARFlow：缩放潜在标准化流以实现高分辨率图像合成2025年6月30日研究领域计算机视觉，研究领域方法和边界会议NeuurIPS我们介绍了STARFlow，这是一种基于规范化流的可扩展生成模型，可在高分辨率图像合成中实现强大的性能。

STARFlow的核心是Transformer Autoregressive Flow（TARFlow），它将规范化流的表达能力与Autoregressive Transformers的结构化建模能力相结合。

我们首先建立TARFlow对连续分布建模的理论普遍性。建筑.规范化流程是有能力的生成模型2025年6月27日研究领域计算机视觉，研究领域方法和边界会议ICML标准化流（NF）可能是连续输入的基于连续输入的模型。

它们在密度估计和生成式建模任务方面都表现出了有希望的结果，但近年来受到的关注相对较少。在这项工作中，我们证明了NF比之前认为的更强大。我们介绍TarFlow：一种简单且可扩展的架构，可支持高性能的NF模型。

TarFlow可以被认为是.