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

该文研究了通过交叉单元耦合和密集连接等方法增强正常化流模型表达能力并提高密度估计精度的问题。

Jun, 2021

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

介绍了基于 normalizing flow 的强大而精确的噪声模型 Noise Flow，结合了基本参数噪声模型和神经网络的灵活性和表现力。与已有的噪声模型相比，Noise Flow 具有显著的改进，是第一次试图超越简单的参数模型，利用深度学习和数据驱动的噪声分布来建模和综合图像噪声。

Aug, 2019

该研究介绍了分段归一化流，将目标分布划分为具有更好匹配标准正态基本分布拓扑结构的群集，并训练一系列流来建模复杂的多模式目标。

May, 2023

通过改进流媒体生成模型的限定设计选择，包括去量化时使用均匀噪声、使用不可表述的仿射流以及在耦合层中使用纯卷积神经网络，我们提出了一种新的流基模型 Flow ++，它在标准图像基准上是现在最先进的非自回归模型，开始缩小自回归模型和流媒体模型之间显著的性能差距，并提供了代码实现。

Feb, 2019

介绍一种基于深度学习、归一化流以及噪音解缠技术的点云去噪方法，通过对噪声进行解缠并建立欧几里得空间和潜在空间之间的映射，从而实现高精度的去噪。在合成和真实世界数据集上的定性和定量实验表明，其性能优于现有的基于深度学习的方法。

Mar, 2022

该研究论文介绍了一种基于神经网络和正则化流的灵活变分后验分布逼近方法，提出了一种名为 ConvFlow 的新型正则化流方法，并证明了其在合成和实际问题中的有效性和效率。

Nov, 2017

本文综述了 Normalizing Flows 在分布学习中的构建和使用，旨在提供模型的背景和解释，回顾现有的最新文献，并确定未来可行的有前途的方向和未解决的问题。

Aug, 2019