Flow-based Deep Generative Models

Flow-based deep generative models 通过 normalizing flows 显式学习数据分布 $p(\mathbf{x})$，以负对数似然为损失函数，克服 GAN 和 VAE 无法显式估计概率密度的困难。模型由一系列可逆变换构成，利用 Jacobian 行列式和变量替换定理实现精确密度估计，可用于生成新样本、密度估计、隐变量推断与缺失数据填补。