提出 VGrow 框架来学习深度生成模型，通过 $f$-divergence 进行梯度流，使用 logD-trick GAN 来作为新的目标函数评估不同的散度，结果表明 VGrow 可以生成高保真图像并且表现优异。

Jan, 2019

本研究介绍了一种名为 NIF 的流行有噪声映射模型，可以通过注入变换学习数据流形的降维表示，有效提高了样品质量和数据嵌入的可分性。

Jun, 2020

通过改进流媒体生成模型的限定设计选择，包括去量化时使用均匀噪声、使用不可表述的仿射流以及在耦合层中使用纯卷积神经网络，我们提出了一种新的流基模型 Flow ++，它在标准图像基准上是现在最先进的非自回归模型，开始缩小自回归模型和流媒体模型之间显著的性能差距，并提供了代码实现。

Feb, 2019

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

这篇文章研究了两​​种概率算法（层次）变分推断（VI）和生成流网络（GFlowNets）之间的关系。作者发现，在某些情况下，VI 算法等价于 GFlowNets 的特殊情况，但 GFlowNets 比 VI 更适宜于强化学习和多模态目标分布的捕捉。

Oct, 2022

该研究论文介绍了一种基于神经网络和正则化流的灵活变分后验分布逼近方法，提出了一种名为 ConvFlow 的新型正则化流方法，并证明了其在合成和实际问题中的有效性和效率。

Nov, 2017

通过引入一种新的条件方案 C-Flow，该研究将基于流的生成模型扩展到了全新的场景，针对多模态数据建模，包括图像、分割图和边缘掩膜等。还针对无序 3D 点云建立了新的策略，并针对三维重建、图像渲染和多模态图像之间的映射提出了应用，以及实现了高度可适应性的应用。

Dec, 2019

我们通过使用梯度的有效估计器来克服了正规化流设计受到解析可逆性需求的约束，并实现了任意保持维度的神经网络作为最大似然训练的生成模型，在分子生成基准测试中取得了出色的结果，同时采用现成的 ResNet 架构在一个反问题基准测试中具有竞争力。

Oct, 2023

本文提出了一种引入张量网络构造的参考分布的扩展归一化流模型，将其应用于困难的变分推断任务中，显示出优于单独使用流或张量网络的结果。

May, 2023