本文介绍了Sylvester标准化流，其可以作为平面流的一般化，Sylvester标准化流消除了平面流中存在的单个单位瓶颈，并使单个变换更加灵活，相对于平面流和逆自回归流，在多个数据集上展示了更好的性能表现。

Mar, 2018

本文将 Glow 中的 1 x 1 卷积推广到可逆 d x d 卷积，提出了两种生成可逆卷积的方法，实验结果表明，d x d 卷积的灵活性显著提高了生成流模型在星系图像、CIFAR10 和 ImageNet 上的性能。

Jan, 2019

论文提出了Residual Flows的方法，该方法使用“俄罗斯轮盘”估计器提供可行的无偏似然估计，并使用一种替代无穷级数以线性内存对残差块进行训练，并取得了在流基模型密度估计方面的最优性能，并且在联合生成和判别建模上超过使用耦合块的网络。

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

本文提出了一种新方法——Woodbury变换，使用Woodbury矩阵恒等式实现高效可逆性和Sylvester行列式恒等式实现高效行列式计算，使得高维交互在计算成本不高的情况下变得可能。实验结果表明，相比其他流架构，Woodbury变换可以学习到更高可能性的模型，同时仍保持它们的高效优势。

Feb, 2020

本文提出了SurVAE Flows作为一个模块化的框架来组合深度学习中的生成模型Normalizing flows和Variational autoencoders，通过使用双射变换来建模密度和可逆变换，桥接了两种模型之间的差距，同时介绍了一些通用操作。

Jul, 2020

本文研究了对于对数几率模型的归一化流表示，主要关注模型深度和分区选择实现上的困难。结果表明，每个分区仅需Theta(1)个仿射耦合层就足以精确表示排列或者1*1的卷积，同时也被证明具有较好的普适性。同时我们也展示了对于少量神经元元素和有限Lipschitz常数的流构架的深度下限。

Oct, 2020

本文介绍了一种基于可逆残差网络的图形剩余流模型，能够精确计算这些流的Jacobi行列式。实验结果表明，图形剩余流在密度估计和推断任务中，提供了稳定、精确的反演效果，且比其他具有相似任务性能的流的效率更高。

Apr, 2022

我们介绍了修正流(即沿最短路径连接两个分布的神经常微分方程模型)的概念及其在各种相关任务中的应用，它能够为生成建模和域迁移等提供统一解决方案，并且在图像生成、图像翻译和域适应方面表现出优秀的性能。

Sep, 2022

我们研究了基于ODE的生成模型（特别是流匹配），通过使用预训练的自编码网络将高维原始输入映射到低维潜在空间，再通过训练一个转换网络来预测从标准正态分布到目标潜在分布的变换速度场。我们的误差分析证明了这种方法的有效性，显示出通过估计ODE流生成的样本分布在温斯坦-2距离下收敛到目标分布，在温和和实际的假设下。此外，我们还展示了具有李普希茨连续性的转换网络可以有效逼近任意平滑函数，这可能具有独立的兴趣。

Apr, 2024