该研究实现了对于凸函数空间的 Jenkins-Sturges-Synder 方案的可靠离散化，为非线性扩散问题和人流运动建模提供了有效的数值模拟结果。
Aug, 2014
对蒙格安培方程的 (旧的和新的) 正则性理论进行调查，展示其与最优输运的联系，并描述了在此情境下出现的一类蒙杰安培类型方程的正则性特性。
Oct, 2013
本研究提出了一种基于梯度流的、无需参数的算法，用于学习复杂数据集的潜在分布和从中进行抽样。该算法是建立在隐式生成建模 (IGM) 与最优输运之间的联系理论基础上，并通过泛函优化问题的方式得以实现。通过梯度流和随机微分方程的联系，该算法既能高效地解决优化问题，还提供了理论分析和有限时间误差保证。实验结果表明，该算法能够成功地捕捉不同类型的数据分布结构。
Jun, 2018
基于动态测量输运的生成模型通过学习常微分方程或随机微分方程，将初始条件从已知基础分布推导到目标分布。我们介绍了流图匹配算法，通过学习潜在常微分方程的双时间流图，得到了一个高效的几步生成模型，其步数可以根据精度和计算成本进行灵活的调节。与扩散模型或随机插值方法相比，流图匹配方法能够以显著降低的采样成本生成高质量样本。
Jun, 2024
该研究提出了一种新的 “泊松流” 生成模型 (PFGM)，通过对高维半球面上的均匀分布进行映射来实现任何数据分布的生成，利用电荷在一个带有额外维度的扩展空间中的分布和电场可以生成高维电场及其在空间中的流动进行学习来实现这一目标，此模型在 CIFAR-10 数据集上表现出优秀的生成效果，并且在网络架构弱的情况下同样具有较好的鲁棒性和加速性。
Sep, 2022
使用环境流（AmbientFlow）框架，通过变分贝叶斯方法，从噪声和不完整数据中直接学习基于流的生成模型，并通过大量数值研究证明了 AmbientFlow 在正确学习对象分布方面的有效性，并演示了 AmbientFlow 在图像重建的下游推理任务中的实用性。
Sep, 2023
本文旨在建立离散扩散模型的概率流动基本理论，从而定义符合最优运输原理的离散概率流动，并提出一种超越以往的离散扩散模型的新型采样方法。通过在合成玩具数据集和 CIFAR-10 数据集上的广泛实验证实了所提出的离散概率流动的有效性。
Nov, 2023
本文介绍了 Moser Flow 一种新型连续归一化流的生成模型，它可以通过求解变量转换公式得到归一化流，学习模型密度的参数形式为源（先验）密度减去神经网络的发散，通过该模型的学习在复杂的流形曲面采样与密度估计上取得了显著的性能提升。
Aug, 2021
本文提出了一种新的生成流家族，它可以改善表达能力而不会显著增加抽样和似然下界评估的计算成本，并且可以理论上证明所提出的流可以近似于哈密顿 ODE 作为一种通用的传输映射，在流模型建模的标准基准测试中表现出领先的性能。
Feb, 2020
介绍了一种新颖的生成模型，用于表示可能大量的离散随机变量的联合概率分布，该方法使用统计子流形上的随机分配流量进行测量传输，从而能够有效地从目标分布中进行采样并评估不可见数据点的可能性。