本文提出了 SoftFlow，一种用于训练流模型的概率框架，能够更好地捕捉流模型的困难维度，并通过应用于三维点云数据，可以更准确地预测各种形状的分布，达到了流模型生成方面的最佳表现。

Jun, 2020

Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional methods like the Local Outlier Factor.

Jun, 2019

本文提出了一种基于概率建模的多模式数学预测的新方法：Likelihood-Based Diverse Sampling（LDS），通过使用预训练的流模型和优化目标函数以提高轨迹样本的质量和多样性，可以明显提高模型预测的准确性和数据生成的有效性，并在多个有挑战性的基准测试中得到验证。

Nov, 2020

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

使用 Manifold Interpolating Optimal-Transport Flow（MIOFlow）方法，从静态快照样本中学习随机、连续的人口动态，将动态模型、流形学习和最优传输结合起来，使用神经常微分方程（Neural ODE）在使用最优传输时以流形地面距离为惩罚来插值静态人口快照。

Jun, 2022

本研究提出了一种基于 GLOW 的双流版本，能够在给定另一个流形测量类型的情况下合成其他类型的测量信息，并引入了三种用于流形数据的可逆层，其中包括对人脑图像进行重构和合成的实验。

Dec, 2020

本文提出一种基于连续时间正规化流的生成模型，该流的速度场由时间依赖密度的概率流推断而来，可用于样本生成和密度估计，并可最小化插值密度的路径长度来建立最优传输映射。该方法通过对基于随机微分方程的方法的简化，使生成的流可以以低成本超越传统方法，并可在图像生成等任务上达到较理想的性能。

Sep, 2022

提出了一种名为 Diversifying Latent Flows（DLow）的深度生成模型的采样方法，该方法使用一组可学习的映射函数将单个随机变量映射到一组相关的潜变量，并将其解码成一组相关样本，以优化潜在的映射从而提高样本的多样性和准确性。

Mar, 2020

我们提出了一种基于归一化流的多帧视频预测方法，可以直接优化数据可能性并生成高质量的随机预测，该方法可以实现对于视频生成建模的可行且竞争性的方法。

Mar, 2019

介绍了一种名为 manifold-learning flows（M-flows）的生成模型，其可以同时学习数据流形以及流形上的概率密度，并提供降维、去噪以及区分分布等功能。同时，新的训练算法能够分离流形和密度更新，并通过一系列实验证明，M-flows 可以学习数据流形并比标准 normalizing flows 在全局数据空间下提供更好的推理。

Mar, 2020