常用的生成模型速览-VAE、Flow-based Model、Diffusion Model、GAN

1.引言

假设我们今天的图像生成任务是拿一段文字生成一张图，一张图所包含的信息是胜过千言万语的，而你输入的文字只不过是其中的一部分，所以说给一个句子生成的图像是有多种可能的。也就是输出是一个分布，在这个分布内的都可以说是正确答案

今天的影像生成的模型都有一个共同的套路，并不是直接给一段文字就输出，而是有一个额外的输入，这个额外的输入的是从某一个distribution（简单的你长什么样的distribution）sample出来的一个向量（高维），如果我们把文字用y来描述，影像用x来描述，那么正确答案就可以写成$p(x|y)$，它显然很复杂，要是知道他是什么样，就可以从它里面sample出来正确答案。它复杂到没法知道长什么样。所以整个影像生成模型就相当于产生下图的对应关系，也就是把Normal Distribution中sample出来的东西对应到正确的狗在奔跑的图片，接下来难的点就在于怎样把Normal Distribution做一些扭曲扭成