- DA-Flow: 面向基于骨架的视频异常检测的双重注意力标准化流
通过引入轻量级模块的双重注意力机制 (Dual Attention Module, DAM) 以捕捉时空骨骼数据中的跨维度交互关系，以及在正常化流框架内将其作为后处理单元集成，我们提出了一种协同使用时序卷积网络 (TCN) 和图卷积网络 ( - 一种高效的基于正规化流的薛定谔方程解决方案的理论框架
通过利用范畴学可解的问题，本文解决了量子力学中求解电子薛定谔方程的问题并提出了一个高效的方法。
- PPRSteg: 基于关注流模型的打印和摄影鲁棒性 QR 码隐写
我们提出了一种名为 PPGRSteg 的新型 QR 码嵌入框架，能够在主图像中隐藏 QR 码，具有无法察觉的变化，并且即使将隐含图像打印出来并拍摄，仍然可以还原它。我们基于归一化流提出了一种隐写模型，结合了注意机制以增强其性能，综合实验结果 - 频率引导的多级人体行为异常检测与流形规范化
介绍了一项名为人类行为异常检测（HAAD）的任务，旨在通过仅具有预先确定的正常训练动作样本类别，以无监督的方式识别异常运动。提出了一种基于归一化流（NF）的检测框架，可以有效地利用样本似然来指示异常。通过将动作样本从时域转换到频域，以减轻数 - 层次高斯混合正态流模型用于统一异常检测
该研究提出了一种新颖的层次高斯混合归一化流建模方法，称为 HGAD，用于实现统一的异常检测。通过将不同类别的高斯混合建模应用于归一化流的潜在空间，避免了 “同质化映射” 问题，并通过最大化互信息损失进一步优化了潜在特征空间结构，从而在四个真 - PaddingFlow：通过填充维度噪声改进标准化流
PaddingFlow 是一种新颖的去量化方法，通过在流模型中引入填充维度噪声，克服了正则化流模型在具有流形或离散数据时的性能问题，并在无条件密度估计的主要基准测试和条件密度估计的 IK 实验中展示出改进性能。
- 混合高斯流用于多样化轨迹预测
通过使用基于流的模型将混合高斯先验转换为未来轨迹流形，我们提出了一种具有生成多样轨迹模式能力的模型，使得流模型不再只是寻求预期流形上最可能的轨迹，而是一系列具有明确可解释性的受控流形。
- AAAI透过对于 Out-of-Distribution 检测的分析了解正态流的可能性和图像复杂度
研究重点是解释深度生成模型中的异常现象机制，提出了 “图像复杂性” 的独立变量概念，并在实验中证明了该问题的有效缓解方法，并在另一个深度生成模型（PixelCNN++）中提供了其假设的潜在应用证据。
- 量子归一化流用于异常检测
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。
- 尝试从生成流的潜空间中生成新的桥梁类型
本文介绍了归一化流在高维矩阵行列式计算和神经网络可逆变换这两个应用挑战中的巧妙应用，并使用三孔梁桥、拱桥、斜拉桥和悬索桥的对称结构图像数据集构建和训练了基于 TensorFlow Probability 库中的 Glow API 的归一化流 - 通过神经算子对量子场论进行多晶格采样
我们考虑了从 Boltzmann 分布中采样离散场配置的问题，并通过运算符学习将其建模为一个时间相关的算子，该算子可以将自由理论和目标理论的泛函分布相互映射。我们的实验证明，基于此种算子的流架构在尺寸超过训练集的晶格中的表现良好，并且通过在 - 剩余阳极
R-ANODE 是一种新的数据驱动，模型无关的共振异常检测方法，通过直接拟合信号组成的小且未知信号部分的标准化流，以及通过从边带学习得到的背景模型（也是标准化流）的固定，提升了异常检测任务的归纳偏好。它能够表现优于所有基于分类器的、弱监督的 - 优化无似然推断：利用自监督神经对称嵌入
通过优化无似然推断，利用自监督学习以及物理问题中的对称性数据增强，通过联合嵌入学习物理对称性（如时间平移），进而使用归一流在参数条件之前利用嵌入网络总结数据进行参数推断，相比不使用预训练对称性感知表示的归一流，本文在两个简单物理问题中展示了 - 用于流动性流动性流动的柔性尾部，应用于金融回报数据建模
我们提出了一种能够改变分布的尾部特性的转换，受到极值理论的启发，它可以作为正则化流的一层，近似多变量重尾分布。我们将此方法应用于金融回报建模，捕捉可能在这类数据中出现的极端冲击。训练后的模型可以直接用于生成新的具有潜在极端回报的合成数据集。
- ICCV学习变换以实现个体无关性的普适性
基于数据的学习预测变换分布以及通过对样本对齐实现对不同类别的普遍不变性和适应不同姿态，从而提高计算机视觉中的准确性和鲁棒性。
- PINF：用于物理约束深度学习的连续归一化流
本文介绍了基于物理信息的归一化流（PINF），它是连续归一化流的一种新方法，通过特征方法结合扩散，能高效解决高维时间依赖和稳态福克 - 普朗克方程。
- SyMOT-Flow: 学习最大均值差异下的两个任意分布的最优输运流
介绍了一种名为 SyMOT-Flow 的新型模型，通过最小化两个未知分布样本之间的对称最大均值差异，训练可逆转换，并结合最优传输成本作为正则化以获得短距离和可解释的转换，从而导致更稳定和准确的样本生成。
- 基于分位数最大似然训练的异常检测
通过量化分位数的最大似然目标为学习内点分布并改善稀有点分离，我们的方法使用训练好的判别特征适应一个标准化流，并根据评估的对数似然检测稀有点。通过实验评估，我们的方法表现优于现有的无监督方法，并与最近的自监督方法竞争。我们的工作能减少对充分负 - WaterFlow: 启发式归一化流用于水下图像增强与更多应用
为了改善水下图像的可见性并提高实际应用效果，我们提出了一种探测驱动的启发式标准化流水线水下图像增强方法 WaterFlow。通过可逆映射将退化图像转化为清晰图像，并结合环境光和介质透射系数等启发式先验来优化数据驱动映射过程。此外，引入了检测 - 条件归一化流的快速光场三维显微镜，具有分布外检测和自适应能力
本文提出了一种基于条件归一化流的新架构，可实现快速三维立体重建，对于实时三维采集和潜在分析非常适用，并能够实现精确的似然度计算，从而进行分布监测、基于样本检测的重训练。