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
提出了一种基于 VAE 的生成模型，该模型联合训练了基于正则化流的潜在空间分布和到观察到的离散空间的随机映射，解决了直接对离散序列应用正则化流所面临的挑战，并具有可比拟的性能和流灵活性。
Jan, 2019
量子架构中采用正态流进行异常检测并展现出具有竞争力的性能表现。
Feb, 2024
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
本论文提出了一种基于 Householder 变换的体积保存流方法，改进了变分后验分布的灵活性并在 MNIST 数据集和组织病理学数据中获得了理想的结果。
Nov, 2016
本文提出了两种方法，通过使用自动微分和数值线性代数技术，以可计算的梯度的形式，实现了端到端的非线性流形学习和密度估计，有效地解决了流形上的体积变化问题，并且在流形学习和流形上的分布估计等方面表现优越。
Jun, 2021
本研究探讨如何使用向量场在光滑流形上进行参数化，以及如何进行梯度学习来实现基于神经 ODE 的流规范化方法。
本文提出了一种新型、基于图的生成模型 —— 图可逆正则流，并尝试将其应用于监督学习和非监督学习任务中，与其他自回归模型相比表现良好且更适合于并行计算架构。
May, 2019
通过学习具有少量维度流形的生成建模技术，提出一种新的建模流方法，实现了对数据的高效表示，从而更好地近似目标分布并产生较低的 FID 分数。
Oct, 2023
提出了一种基于条件归一化流变换的新型条件生成模型 cFlow Net，用于医学图像分割领域，实验结果表明在定性定量指标上相比最近的 cVAE 基于的模型有显著提高。