Neural Flow Diffusion Models: Learnable Forward Process for Improved Diffusion Modelling

传统扩散模型通常依赖于固定的前向过程，这隐含地定义了潜变量的复杂边缘分布。这经常会使得反向过程在学习生成轨迹时变得复杂，并导致扩散模型的推断成本很高。为了解决这些限制，我们引入了神经流扩散模型（NFDM），这是一个新颖的框架，通过支持超出固定线性高斯的更广泛的前向过程来增强扩散模型。我们还提出了一种新颖的参数化技术来学习前向过程。我们的框架提供了一个端到端、无需模拟的优化目标，有效地最小化负对数似然的变分上界。实验结果证明了NFDM的强大性能，表现为最先进的似然估计。此外，我们调查了NFDM学习具有特定特征的生成动态的能力，例如确定性直线轨迹。这次探索强调了NFDM的多功能性及其在广泛应用中的潜力。

本文旨在增强扩散模型的性能，以支持更广泛的前向过程，并提出一种新的参数化技术来学习前向过程，以减少推理成本和复杂度。

本文提出了神经流扩散模型（NFDM）的框架，通过支持更广泛的前向过程，增强了扩散模型的性能。并且提出了一种新的参数化技术来学习前向过程。

实验结果表明NFDM具有很强的性能，具有最先进的似然估计。此外，本文还研究了NFDM学习具有特定特征的生成动态的能力，如确定性直线轨迹。这个探索强调了NFDM的通用性和其在广泛应用中的潜力。

最近在这个领域中，还有一些相关研究，如PixelCNN，PixelRNN，RealNVP等。