本文介绍基于单调分段函数有理二次样条的神经模型流，在保持解析可逆性的同时提高了耦合和自回归变换的灵活性，并展示了神经样条流在密度估计、变分推断和图像生成建模中的相对表现优良。

Jun, 2019

本论文探讨了使用线性有理样条替代耦合层中使用的仿射变换的方法，与现有方法相比，仿真结果表明了这种方法的性能具有竞争力。

Jan, 2020

本文提出一种基于连续时间正规化流的生成模型，该流的速度场由时间依赖密度的概率流推断而来，可用于样本生成和密度估计，并可最小化插值密度的路径长度来建立最优传输映射。该方法通过对基于随机微分方程的方法的简化，使生成的流可以以低成本超越传统方法，并可在图像生成等任务上达到较理想的性能。

Sep, 2022

本研究提出了可至少连续二阶可微且双 Lipschitz 连续的非均匀 B 样条流，它具有解析反演变换，并应用于解决 Boltzmann 生成器中的力匹配问题，其结果比以前的样条流更好，比平滑归一化流更快。

Apr, 2023

通过在流式生成模型的潜在空间中引入多尺度自回归先验 (mAR)，我们提高了流式模型的表征能力，使得其在密度估计和图像生成方面都获得了新的最好结果。

Apr, 2020

该文研究了通过交叉单元耦合和密集连接等方法增强正常化流模型表达能力并提高密度估计精度的问题。

Jun, 2021

本文介绍了一种新型动态线性流方法（DLF），该方法结合了流式建模的高效性与自回归建模的高密度性能，可用于生成复杂分布，并在 ImageNet 数据集上取得了最新的最佳性能结果。

May, 2019

Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional methods like the Local Outlier Factor.

Jun, 2019

我们研究了基于高斯降噪的模拟 - free 连续标准化流的良定义性、可微性和唯一性，通过建立高斯插值流的统一框架，我们证明了流速度场的利普希茨正则性、流的存在唯一性，以及流映射和时间反向流映射在多个丰富的目标分布类别中的利普希茨连续性，这也揭示了高斯插值流的自动编码和循环一致性特性。我们还研究了这些流在源分布和速度场扰动中的稳定性，利用二次 Wasserstein 距离作为度量。我们的发现为用于生成建模中的高斯插值流的学习技术提供了宝贵的见解，为使用经验观察进行端到端误差分析的学习 GIFs 提供了坚实的理论基础。

Nov, 2023

本研究提出了一种基于 Haar 小波变换的分块自回归模型，利用分块耦合法，通过对粗糙轨迹条件，精确地对不同时空分辨率下的轨迹进行建模并预测，以提高自主智能体的运行效果。在 Stanford Drone 和 Intersection Drone 两个真实数据集上进行测试，结果表明此模型的生成轨迹精准度和可变性均优于其他条件生成模型。

Sep, 2020