iTARFlow：融合迭代去噪的归一化流生成模型
2026/05/06 08:00阅读量 2
苹果研究团队提出iTARFlow，在归一化流框架中引入迭代去噪采样过程，同时保持端到端似然训练。该方法在ImageNet 64×64、128×128和256×256分辨率上达到具有竞争力的生成性能，并分析了其产生的特征伪影，为后续改进提供方向。
事件概述
Apple机器学习和研究团队在ICML 2026上发表论文《Normalizing Flows with Iterative Denoising》，提出iTARFlow（iterative TARFlow），进一步推进归一化流模型在图像生成领域的性能。
核心信息
- 背景：归一化流（NFs）是一类基于似然函数的经典生成模型。近期TARFlow等工作表明，NFs在图像建模上表现优异，可作为扩散模型等方法的替代。
- 方法创新：iTARFlow在训练阶段保持完全端到端的似然目标；在采样阶段，先进行自回归生成，再执行受扩散模型启发的迭代去噪过程。这使模型兼具NFs的结构化似然优势与扩散式迭代精化的能力。
- 实验成果：在ImageNet 64×64、128×128、256×256三种分辨率上，iTARFlow均取得与当前先进模型相竞争的性能，验证了其作为强生成模型的潜力。
- 伪影分析：研究人员还分析了iTARFlow生成的特征性伪影，为未来改进提供了洞察。
- 开源：代码已公开在GitHub（ml-itarflow）。
值得关注
iTARFlow代表了归一化流方向上的最新进展，展示了将两种不同范式的优势（NFs的精确似然估计与扩散的迭代去噪）结合的有效性。该方法为生成模型设计提供了新思路，其伪影分析也有助于后续优化。