基于流的深度生成模型：Normalizing Flows 如何显式建模数据分布

基于流的深度生成模型通过一系列可逆变换构建，借助 normalizing flows 显式学习数据分布 p(x)，损失函数即负对数似然，从而绕开 GAN 与 VAE 难以计算概率密度的问题。与 GAN 的对抗博弈和 VAE 优化 ELBO 不同，该模型依赖 Jacobian 行列式与变量变换定理完成密度估计，可用于数据生成、密度估计、隐变量推断和补全不完整样本。