50
个编辑
更改
跳到导航
跳到搜索
小第198行：
第198行： + 第203行：
第204行： − [[文件:realnvp_celeba_generation.png|缩略图|RealNVP 在 CelebA 上生成的人脸样本。引自 Dinh et al., 2017。|400x400px|链接=Special:FilePath/Realnvp_celeba_generation.png]]+ + 第213行：
第215行： − [[文件:aeflow_anomaly_detection.png|缩略图|AE-FLOW 在胸部 X 光上的异常检测结果。左列为异常（肺炎）样本，右列为正常样本；自上而下依次为原图、重建图与残差图。引自 Zhao et al., 2023。|替代=|400x400px]]+ 第226行：
第228行： − +
调节图片排版
== 自然图像密度估计与生成 ==
== 自然图像密度估计与生成 ==
[[文件:realnvp_celeba_generation.png|缩略图|RealNVP 在 CelebA 上生成的人脸样本。引自 Dinh et al., 2017。|264x264px|链接=Special:FilePath/Realnvp_celeba_generation.png]]
RealNVP 最直接的应用场景是连续高维数据的密度估计与无条件生成。在图像生成任务中，模型一次性学习整个图像的联合分布，然后直接从标准高斯分布采样并通过逆映射得到新图像。由于采样过程不依赖逐像素的顺序解码，生成速度显著高于自回归模型。
RealNVP 最直接的应用场景是连续高维数据的密度估计与无条件生成。在图像生成任务中，模型一次性学习整个图像的联合分布，然后直接从标准高斯分布采样并通过逆映射得到新图像。由于采样过程不依赖逐像素的顺序解码，生成速度显著高于自回归模型。
在 CelebA 人脸生成任务中，RealNVP 能够生成全局连贯、五官清晰的人脸样本（图 5）。与变分自编码器（Variational Autoencoder，VAE）相比，RealNVP 不依赖固定的重建损失（如均方误差（Mean Squared Error，MSE）），因此不会过度平滑高频细节；与 PixelRNN 等自回归模型相比，RealNVP 的采样在维度上完全并行，速度更快。
在 CelebA 人脸生成任务中，RealNVP 能够生成全局连贯、五官清晰的人脸样本（图 5）。与变分自编码器（Variational Autoencoder，VAE）相比，RealNVP 不依赖固定的重建损失（如均方误差（Mean Squared Error，MSE）），因此不会过度平滑高频细节；与 PixelRNN 等自回归模型相比，RealNVP 的采样在维度上完全并行，速度更快。
[[文件:aeflow_anomaly_detection.png|缩略图|AE-FLOW 在胸部 X 光上的异常检测结果。左列为异常（肺炎）样本，右列为正常样本；自上而下依次为原图、重建图与残差图。引自 Zhao et al., 2023。|替代=|360x360px]]
== 异常检测 ==
== 异常检测 ==
图 6 展示了 AE-FLOW 在胸部 X 光数据上的结果。左列为异常（肺炎）样本，右列为正常样本；每列自上而下依次为原图、重建图与残差图。正常样本的残差整体较暗，而异常样本的肺部区域出现明显亮斑，直观地反映了模型对异常模式的识别能力。
图 6 展示了 AE-FLOW 在胸部 X 光数据上的结果。左列为异常（肺炎）样本，右列为正常样本；每列自上而下依次为原图、重建图与残差图。正常样本的残差整体较暗，而异常样本的肺部区域出现明显亮斑，直观地反映了模型对异常模式的识别能力。
由于模型学习了全数据分布的精确密度，它能对任意形状的掩码产生合理的语义补全，而非仅记忆特定训练掩码。在 LSUN 卧室数据集上，RealNVP 对缺失区域（红框）的补全结果在语义和视觉上均保持合理（图 7）。
由于模型学习了全数据分布的精确密度，它能对任意形状的掩码产生合理的语义补全，而非仅记忆特定训练掩码。在 LSUN 卧室数据集上，RealNVP 对缺失区域（红框）的补全结果在语义和视觉上均保持合理（图 7）。
[[文件:realnvp_lsun_inpainting.png|缩略图|RealNVP 在 LSUN 卧室数据集上的图像修复结果：红框标出被遮挡的原始区域，模型仅根据剩余像素和全分布密度完成补全。引自 Dinh et al., 2017。|400x400px|链接=Special:FilePath/Realnvp_lsun_inpainting.png]]
[[文件:realnvp_lsun_inpainting.png|缩略图|RealNVP 在 LSUN 卧室数据集上的图像修复结果：红框标出被遮挡的原始区域，模型仅根据剩余像素和全分布密度完成补全。引自 Dinh et al., 2017。|274x274px|链接=Special:FilePath/Realnvp_lsun_inpainting.png]]
== 在 NIS/NIS+ 因果[[涌现]]框架中的应用 ==
== 在 NIS/NIS+ 因果[[涌现]]框架中的应用 ==