INN
两个很好的讲解视频:
https://www.youtube.com/watch?v=WqP45Iyvd3o 这里的讲者是Analyzing Inverse Problems with Invertible Neural Networks的作者。这文章很适合入门了解INN的概念。
https://www.youtube.com/watch?v=IpbeIwSr7r0 这个是比较综述的,涉及很多文章的内容。其中,我觉得比较值得细看的是 NICE: NON-LINEAR INDEPENDENT COMPONENTS ESTIMATION,DENSITY ESTIMATION USING REAL NVP。
BPP
另外,在NICE文章中,我看的时候并不知道bits per pixel(bpp)是什么。一查才知道这是评价generative model很重要的指标。详细描述在这篇文章的3.1: A NOTE ON THE EVALUATION OF GENERATIVE MODELS https://arxiv.org/pdf/1511.01844.pdf(有很多不错的概念)。简而言之,就是用一个training set训练generative model之后,用model去求一个test set中X的P(X),然后取log得到log likelihood。然后根据香农信息论 里的信息量 = -log(p(x)),我们可以定义bits per pixel 就是这个信息量除以一个总pixels/channel的 数量(一个常数)。具体这个常数,定义上似乎有些复杂,有些讨论可以看:
https://www.reddit.com/r/MachineLearning/comments/56m5o2/discussion_calculation_of_bitsdims/
https://www.tutorialspoint.com/dip/concept_of_bits_per_pixel.htm
总而言之,对于一个generative model,log-likelihood higher value is better and bits-per-dimension (BPD) lower value is better。