Glownet

基于流的生成模型可以大致理解为：它希望将数据表示成简单的隐变量分布，并可以从该分布中完全还原真实数据的分布。也就是说，它要学习的是一个可逆函数。利用雅可比矩阵的这个性质：一个函数的雅可比矩阵的逆矩阵，是该函数的反函数的雅可比矩阵，NICE 和 RealNVP 提出了通过顺序的可逆函数变换，将简单分布逐步还原复杂的真实数据分布的归一化流过程，如下图所示。后来在 Glow 中提出用 1x1 可逆卷积替换 NICE 和 RealNVP 中的可逆变换。