本文介绍了一种基于自回归深度学习模型和有条件归一化流模型的多元时序动态建模方法，该方法通过建模统计依赖关系来提高精度和分析交互效应。实验结果表明，该方法在多个实际数据集上比现有技术表现更好。
Feb, 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
应用条件正规化流方法进行气候变量降尺度，成功对不同上采样因子的 ERA5 水含量数据集进行了性能展示，并展示了该方法能够通过拟合条件分布均值得出的标准差来评估预测的不确定性。
May, 2024
本论文介绍了一种新变种的动态归一化流模型（TCNF），基于布朗运动的时间变形，能够有效地建模一些随机微分方程，包括标准的奥恩斯坦 - 乌伦贝克过程，并且提供更好的推断和预测能力。
Dec, 2023
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
本文介绍了一种新方法，叫做 CNF，用于建模条件密度函数和解决结构预测问题，同时证明了该方法在超分辨率和血管分割等任务上具有竞争力。
Nov, 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
本文提出一种新型的正则化流，其基于 Wiener 过程的微分变形，从而获得一个完整的时间序列模型，该模型继承了其基本过程的许多性质，如似然性和边缘效率。此外，我们的连续处理为有独立到达过程的不规则时间序列提供了自然框架，包括直接插值。在合成数据和真实世界数据的一系列实验中，我们证明了该模型相对于变分 RNN 和潜在 ODE 基线的优越灵活性。
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