条件强对数凹生成模型

深度图像生成模型的令人瞩目成果与提供理论保证的经典算法之间的差距日益扩大。前者存在模式崩溃或记忆化问题，限制了其在科学数据上的应用。后者需要诸如对数凹性之类的限制性假设以规避维数灾难。我们通过引入条件强对数凹（CSLC）模型部分地弥合了这一差距，该模型将数据分布分解为若干强对数凹条件概率分布的乘积。这种分解通过适应数据分布的正交投影算子获得。它带来了高效的参数估计与采样算法，并具备理论保证，尽管数据分布并非全局对数凹。我们展示了若干具有挑战性的多尺度过程在使用小波包正交投影算子时是条件对数凹的。数值结果展示了针对物理场（如 $\varphi^4$ 模型与弱透镜收敛图）的处理，其分辨率高于以往工作。