반복적 디노이징을 결합한 Normalizing Flows

Normalizing Flows가 다시 주목받는 가운데, TARFlow의 뒤를 잇는 iTARFlow가 제안됐다.

학습은 완전한 end-to-end 우도 기반 목적함수를 유지하고, 샘플링은 자기회귀 생성 뒤 반복적 디노이징을 붙이는 구조다. 기존 diffusion models처럼 학습 목적을 바꾸지 않으면서, 생성 단계에서 정제 능력을 더하는 방식이다.

• ImageNet 64/128/256 해상도에서 광범위한 실험으로 경쟁력 있는 성능을 확인했다.
• 생성 결과에 나타나는 특유의 왜곡을 분석해, 향후 개선 여지도 짚었다.

코드는 GitHub의 apple/ml-itarflow에서 공개됐다.