Flujo Normalizador Bidireccional: De los Datos al Ruido y Viceversa
Bidirectional Normalizing Flow: From Data to Noise and Back
December 11, 2025
Autores: Yiyang Lu, Qiao Sun, Xianbang Wang, Zhicheng Jiang, Hanhong Zhao, Kaiming He
cs.AI
Resumen
Los Flujos de Normalización (NFs) se han consolidado como un marco teórico sólido para el modelado generativo. Los NFs estándar constan de un proceso directo y un proceso inverso: el proceso directo mapea los datos al ruido, mientras que el proceso inverso genera muestras invirtiéndolo. Las transformaciones directas típicas de los NFs están restringidas por una invertibilidad explícita, lo que garantiza que el proceso inverso pueda actuar como su inversa analítica exacta. Los desarrollos recientes en TARFlow y sus variantes han revitalizado los métodos de NF al combinar Transformers y flujos autorregresivos, pero también han expuesto la decodificación causal como un cuello de botella principal. En este trabajo, presentamos el Flujo de Normalización Bidireccional (BiFlow), un marco que elimina la necesidad de una inversa analítica exacta. BiFlow aprende un modelo inverso que aproxima el mapeo inverso subyacente de ruido a datos, permitiendo funciones de pérdida y arquitecturas más flexibles. Los experimentos en ImageNet demuestran que BiFlow, en comparación con su contraparte de decodificación causal, mejora la calidad de la generación mientras acelera el muestreo hasta en dos órdenes de magnitud. BiFlow produce resultados de vanguardia entre los métodos basados en NF y un rendimiento competitivo entre los métodos de evaluación única ("1-NFE"). Tras los recientes avances alentadores en NFs, esperamos que nuestro trabajo atraiga una mayor atención hacia este paradigma clásico.
English
Normalizing Flows (NFs) have been established as a principled framework for generative modeling. Standard NFs consist of a forward process and a reverse process: the forward process maps data to noise, while the reverse process generates samples by inverting it. Typical NF forward transformations are constrained by explicit invertibility, ensuring that the reverse process can serve as their exact analytic inverse. Recent developments in TARFlow and its variants have revitalized NF methods by combining Transformers and autoregressive flows, but have also exposed causal decoding as a major bottleneck. In this work, we introduce Bidirectional Normalizing Flow (BiFlow), a framework that removes the need for an exact analytic inverse. BiFlow learns a reverse model that approximates the underlying noise-to-data inverse mapping, enabling more flexible loss functions and architectures. Experiments on ImageNet demonstrate that BiFlow, compared to its causal decoding counterpart, improves generation quality while accelerating sampling by up to two orders of magnitude. BiFlow yields state-of-the-art results among NF-based methods and competitive performance among single-evaluation ("1-NFE") methods. Following recent encouraging progress on NFs, we hope our work will draw further attention to this classical paradigm.