神经流形常微分方程
本文提出 Riemannian 连续正规化流模型，通过设置连续性流作为常微分方程的解来定义流，其可以对光滑流形上的灵活概率测度进行有效参数化，在合成和现实数据方面与标准流或先前介绍的预测流相比可以显著提高表现。
Jun, 2020
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
DDNF 模型是一种基于普通微分方程 (ODE) 和递归神经网络 (RNN) 的正则差分流模型，具有高效的似然度评估和柔性的密度估计能力， 是一种具有竞争力的新型神经密度估计技术，还可以在 Riemannian 半群中扩展。
Oct, 2018
提出了基于神经元流形流 (Neural Mesh Flow) 的方法来生成具有二次曲面流形的三维网格模型，具有较高的几何精度和更好的适用性于基于物理的渲染和模拟。
Jul, 2020
本文研究了一类神经常微分方程，通过设计这类方程在光滑流形上，使其可以应用于机械系统等领域中。作者利用控制可比性的性质来表征了这类方程的特性，并且使用 PyTorch 对动力系统的几何模型 S2 和三维正交群 SO (3) 进行了数值实验，验证了其优于常规神经常微分方程的性能。
May, 2023
该研究论文考虑了在流形数据上训练连续归一化流模型的问题，提出了一种新的概率路径距离度量 PPD，并证明了其具有优越的特性和性能，在实验中所得的结果十分令人满意。
Jul, 2022
本文提出了一种几何学框架，用于分析基于 Lie 群的多样性流形神经常微分方程（NODEs）对对称数据的建模能力，并提出了用于对称性概率场中的通用型等效 NODEs.。
Jan, 2024
本文提出一种名为 Conformal Embedding Flows 的框架，旨在为具备低纬度流形的数据提供可追踪密度的规范流模型，并通过一系列实验验证其有效性。
Jun, 2021
本文提出了一种结合 Möbius 变换 - 环耦合层和四元数仿射变换的正交群上的正则化流方法， 可以有效地表示旋转上的任意分布，并且可以在给定输入观测值的条件下建立目标分布，具有显著的条件和无条件任务性能优势。
Apr, 2023