LLLMWIKI
正文元数据首页

来源笔记 · 更新于 2026-07-14

Glow可逆 1×1 卷积的生成流模型

#near-cvpr-2025#image-generation#primary-source

Glow：可逆生成流

一句话结论

Glow 用可逆 1×1 卷积、actnorm 与仿射耦合层构建可扩展规范化流，实现精确似然与数据—潜变量双向映射。

问题定义

怎样在保持变换可逆和 Jacobian 可计算的前提下，增强流模型的通道混合与高分辨率生成能力？

方法概述

每个 flow step 依次执行 actnorm、可逆 1×1 卷积和仿射 coupling，多尺度结构逐步拆分潜变量。

关键发现

  • 学习到的可逆通道混合替代固定 permutation。
  • 精确似然与潜变量反演来自整个网络可逆。
  • 高似然、感知质量和语义可控性仍是不同目标。

局限或疑问

  • 可逆性限制架构并增加内存/计算。
  • 规范化流与 flow matching 不是同一种训练范式。
  • 似然不能自动衡量人类感知或域外可靠性。

原始链接

相关页面

元数据
{
  "id": "2026-07-14-glow",
  "type": "source",
  "title": "Glow：可逆 1×1 卷积的生成流模型",
  "status": "reviewed",
  "created": "2026-07-14",
  "updated": "2026-07-14",
  "venue": "NeurIPS 2018",
  "ingested_at": "2026-07-14",
  "tags": [
    "near-cvpr-2025",
    "image-generation",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Diederik P. Kingma",
    "Prafulla Dhariwal"
  ],
  "published_at": "2018-01-01",
  "canonical_links": [
    "https://arxiv.org/abs/1807.03039",
    "https://papers.nips.cc/paper_files/paper/2018/hash/d139db6a236200b21cc7f752979132d0-Abstract.html",
    "https://arxiv.org/pdf/1807.03039",
    "https://github.com/openai/glow"
  ],
  "raw_entry": "raw/ingest/2026-07-14-glow/",
  "analysis_note": "raw/ingest/2026-07-14-glow/analysis.md",
  "topics": [
    "topics/visual-generation-foundations"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}