論文の概要: Bidirectional Normalizing Flow: From Data to Noise and Back

• arxiv url: http://arxiv.org/abs/2512.10953v1
• Date: Thu, 11 Dec 2025 18:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.579422
• Title: Bidirectional Normalizing Flow: From Data to Noise and Back
• Title（参考訳）: 双方向正規化フロー:データからノイズ・バックへ
• Authors: Yiyang Lu, Qiao Sun, Xianbang Wang, Zhicheng Jiang, Hanhong Zhao, Kaiming He,
• Abstract要約: 生成モデリングの原則として正規化フロー(NF)が確立されている。 近年のTARFlowとその変種はトランスフォーマーと自己回帰流を組み合わせることでNF法を再活性化している。 BiFlowは、正確な分析逆の必要をなくすためのフレームワークです。
• 参考スコア（独自算出の注目度）: 16.352742402707953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Normalizing Flows (NFs) have been established as a principled framework for generative modeling. Standard NFs consist of a forward process and a reverse process: the forward process maps data to noise, while the reverse process generates samples by inverting it. Typical NF forward transformations are constrained by explicit invertibility, ensuring that the reverse process can serve as their exact analytic inverse. Recent developments in TARFlow and its variants have revitalized NF methods by combining Transformers and autoregressive flows, but have also exposed causal decoding as a major bottleneck. In this work, we introduce Bidirectional Normalizing Flow ($\textbf{BiFlow}$), a framework that removes the need for an exact analytic inverse. BiFlow learns a reverse model that approximates the underlying noise-to-data inverse mapping, enabling more flexible loss functions and architectures. Experiments on ImageNet demonstrate that BiFlow, compared to its causal decoding counterpart, improves generation quality while accelerating sampling by up to two orders of magnitude. BiFlow yields state-of-the-art results among NF-based methods and competitive performance among single-evaluation ("1-NFE") methods. Following recent encouraging progress on NFs, we hope our work will draw further attention to this classical paradigm.
• Abstract（参考訳）: 生成モデリングの原則として正規化フロー(NF)が確立されている。 標準NFはフォワードプロセスとリバースプロセスで構成され、フォワードプロセスはデータをノイズにマップし、リバースプロセスはそれを反転することでサンプルを生成する。 典型的なNFフォワード変換は明示的な可逆性によって制約され、逆過程がそれらの正確な解析的逆元として機能することを保証する。 近年のTARFlowとその変種はトランスフォーマーと自己回帰フローを組み合わせることでNF法を再活性化しているが、因果復号化も大きなボトルネックとなっている。 本稿では, 正確な解析逆解析の必要性を解消するフレームワークである双方向正規化フロー(\textbf{BiFlow}$)を紹介する。 BiFlowは、基礎となるノイズからデータへの逆マッピングを近似するリバースモデルを学び、より柔軟な損失関数とアーキテクチャを実現する。 ImageNetの実験では、BiFlowは因果デコーディングと比較して、最大2桁のサンプリングを高速化しながら、生成品質を向上させることが示されている。 BiFlowは、NFベースの手法とシングル評価("1-NFE")手法の競合性能で最先端の結果を得る。 最近のNFの進歩に続き、我々の研究がこの古典的パラダイムにさらに注目されることを願っている。

関連論文リスト

• SimFlow: Simplified and End-to-End Training of Latent Normalizing Flows [37.7899995917052]
  分散(VAEエンコーダによって予測される)を定数に修正する方法を見つける。 ImageNet $256 256$ 生成タスクでは、我々のモデル SimFlow が gFID スコア 2.15 を取得し、最先端のSTARFlow (gFID 2.40) よりも優れている。 SimFlowは、エンドツーエンドの表現アライメントアライメント(REPA-E)メソッドとシームレスに統合することができ、改良されたgFID 1.91を実現し、NF間の新しい状態を設定する。
  論文  参考訳（メタデータ） (2025-12-03T18:59:57Z)
• Flowing Backwards: Improving Normalizing Flows via Reverse Representation Alignment [27.988711627938276]
  正規化フロー(NF)のための新しいアライメント戦略を提案する。 フォワードパスを正規化する代わりに、生成的(逆)パスの中間的特徴と強力な視覚基盤モデルからの表現とを一致させる。 また,NFの組込みセマンティック知識のより内在的な評価を提供する,新しい学習自由なテスト時間最適化アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-11-27T11:35:08Z)
• FlowDPS: Flow-Driven Posterior Sampling for Inverse Problems [51.99765487172328]
  逆問題解決のための後部サンプリングは,フローを用いて効果的に行うことができる。 Flow-Driven Posterior Smpling (FlowDPS) は最先端の代替手段よりも優れています。
  論文  参考訳（メタデータ） (2025-03-11T07:56:14Z)
• Normalizing Flows are Capable Generative Models [48.31226028595099]
  TarFlowはシンプルでスケーラブルなアーキテクチャで、高性能なNFモデルを実現する。 エンドツーエンドのトレーニングは簡単で、ピクセルを直接モデリングして生成することができる。 TarFlowは、画像の確率推定に新たな最先端結果を設定し、以前のベストメソッドを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2024-12-09T09:28:06Z)
• Transformer Neural Autoregressive Flows [48.68932811531102]
  正規化フロー(NF)を用いて密度推定を行う。 我々はトランスフォーマーニューラルオートレグレッシブフロー(T-NAF)と呼ばれる新しいタイプのニューラルフローを定義するためにトランスフォーマーを利用する新しい解を提案する。
  論文  参考訳（メタデータ） (2024-01-03T17:51:16Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。