CNP-Flow：用流反转学习条件源分布
热点事件持续更新
CNP-Flow：用流反转学习条件源分布
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Kuan-Hsun Tu 等作者提出 CNP-Flow，一个面向时间生成的流匹配框架，其做法是通过流反转学习条件源分布。 该框架用条件噪声预测器（CNP）为每个时间条件生成各向同性高斯源，以此替代标准条件流匹配中从标准高斯采样的做法。作者在论文中称，CNP-Flow 是一个通过流反转学习条件源分布的时间生成流匹配框架。
AI 根据报道生成 · 3 小时前更新
最新进展10月7日 12:00
CNP-Flow：通过流反转学习条件源分布的时间流匹配框架报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv cs.CVCNP-Flow：通过流反转学习条件源分布的时间流匹配框架
CNP-Flow 是一个通过流反转学习条件源分布的时间生成流匹配框架，用条件噪声预测器（CNP）为每个时间条件生成各向同性高斯源，替代标准条件流匹配从标准高斯采样的做法。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。