该研究利用归一化流先验研究了图像反问题，将解视为基于测量的图像后验概率最大化估计，通过噪声模型和非线性正演算子验证了该方法在各种反问题中的有效性，并初步解决了带有流先验的反问题的理论恢复保证问题。
Mar, 2020
本论文提出了一种新的变分推断方法，通过应用一系列可逆转变，构造了一种更为复杂的、灵活的、可拓展的近似后验分布，与简单的后验分布相比，提升了推断性能和适用性。
May, 2015
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
本研究通过提出一种简单的蒸馏方法，证明了在图像超分辨率和语音合成领域，可以将基于流的模型提炼为更高效的替代模型。
Jun, 2021
本文综述了正则流动的研究现状，通过概率建模和推断的视角，分析了其表达能力、计算权衡等基础原理，并将其与更一般的概率转换联系起来，总结了其在生成建模、近似推断和监督学习等任务中的应用。
Dec, 2019
本文提出了一种基于贝叶斯网络和图结构的图归一化流模型，在保留贝叶斯网络的可解释性和图归一化流的表示能力的同时，为将领域知识注入图归一化流提供了一个有前途的方法。
Jun, 2020
本文提出使用正规化流作为灵活的似然模型，以及提出了一种有效的方法来适应复杂分布的条件密度估计问题，其使用贝叶斯框架对这些条件密度估计器进行先驱概率分析，最终将该方法应用于两大数据集的空间密度建模任务上，并在某些情况下获得了最先进的性能。
Feb, 2018
本文提出了一种新型正则化流架构 —— 逆自回归流，它是一种基于自回归神经网络的可逆转换链。实验结果表明，逆自回归流显著改善了高维空间中对角高斯近似后验的变分推断，同时也证明了，结合逆自回归流的新型变分自编码器，在自然图像的对数似然度方面，与神经自回归模型相当，同时合成速度显著更快。
Jun, 2016
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
本文提出了一种通过使用经过改进的有理二次样条耦合层替代条件仿射耦合层的方法，以解决条件归一化流在生成图像样本时出现严重伪影的问题。通过实证和理论分析发现，这些问题是由于条件仿射耦合层中的 “爆炸反演” 导致的，同时提出了一种基于马氏距离的 OOD 得分计算方法用于判断这种情况的出现概率。最终的实验表明，所提出的方法可以有效减少伪影的出现，并提高生成的图像样本的健壮性。
Dec, 2022