50
个编辑
更改
跳到导航
跳到搜索
小第202行：
第202行： − + 第210行：
第210行： − + 第243行：
第243行： − +
题注引用
== 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]]
[[文件:realnvp_celeba_generation.png|缩略图|RealNVP 在 CelebA 上生成的人脸样本。|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。
[[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]]
[[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。|替代=|360x360px]]
== 异常检测 ==
== 异常检测 ==
解码时，将宏观预测 <math>\hat{\mathbf{y}}_{t+1}</math> 与 <math>p-q</math> 维标准高斯噪声拼接，通过逆 INN <math>\psi_\alpha^{-1}</math> 重构微观状态。由于 RealNVP 的编码器与解码器只是方向反转，'''参数完全共享'''，模型参数量直接减半（图 8）。
解码时，将宏观预测 <math>\hat{\mathbf{y}}_{t+1}</math> 与 <math>p-q</math> 维标准高斯噪声拼接，通过逆 INN <math>\psi_\alpha^{-1}</math> 重构微观状态。由于 RealNVP 的编码器与解码器只是方向反转，'''参数完全共享'''，模型参数量直接减半（图 8）。
[[文件:NIS+odd.png|缩略图|NIS/NIS+ 框架架构：RealNVP 的可逆神经网络（INN）实现编码器 φ 与解码器 φ†（即逆映射 φ^{-1}），信息丢弃与 EI 最大化在宏观动力学空间完成。引自 Yang et al., 2025。|替代=|400x400px]]
[[文件:NIS+odd.png|缩略图|NIS/NIS+ 框架架构：RealNVP 的可逆神经网络（INN）实现编码器 φ 与解码器 φ†，信息丢弃与 EI 最大化在宏观动力学空间完成。|替代=|400x400px]]
NIS 论文给出选用 RealNVP 的三点依据<ref name="NIS2022">{{cite journal|author1=Zhang J.|author2=Liu K.|title=Neural Information Squeezer for Causal Emergence|journal=Entropy|year=2022|volume=25|issue=1|page=26}}</ref>：
NIS 论文给出选用 RealNVP 的三点依据<ref name="NIS2022">{{cite journal|author1=Zhang J.|author2=Liu K.|title=Neural Information Squeezer for Causal Emergence|journal=Entropy|year=2022|volume=25|issue=1|page=26}}</ref>：