本研究提出了一种基于归一化流的贝叶斯优化方法（NF-BO），有效解决了现有方法中的价值差异问题。实验结果表明，该方法在分子生成任务中显著优于传统及近期的贝叶斯优化方法。

本研究提出了一种摊销贝叶斯后验估计方法，解决了新观察数据出现时需重新计算的问题。研究表明，逆KL估计器在预测中表现优越，尤其与变换器架构和归一化流结合时。

本文提出了一种名为TarFlow的架构，旨在解决归一化流在生成建模中的不足。TarFlow在图像生成和密度估计任务中表现优异，其样本生成质量和多样性与扩散模型相当。

本文综述了归一化流在分布学习中的应用，探讨了模型构建、表达能力及计算权衡，涵盖了分段归一化流、随机归一化流及非参数生成模型，提出了多元时序动态建模方法和优化算法，并展示了在实际数据集上的优越性能。

该文综述了图像异常检测的多项研究，包括利用后向传播梯度、多元高斯模型、扩散模型GRAD、Transformer方法GTrans、2D归一化流FastFlow及梯度空间GradNorm等，在MVTec AD等数据集上实现高精度检测与定位，并兼顾计算效率和推理速度。

本文综述归一化流（NF）的研究进展：连续归一化流用于条件密度建模与结构预测；与变分自编码器、扩散模型结合以放宽双射约束；ConvFlow提升变分后验逼近；可逆变换增强推断灵活性；NF改进贝叶斯神经网络与系统发育推断；随机归一化流提升采样效率；新MCMC算法应对病态问题；张量网络扩展NF用于变分推断；对抗训练缓解高方差与模式崩溃。

该文汇总了图像去噪与上色领域的多项研究，包括多通道加权核范数最小化、去马赛克先降噪的CNN方法、GCP-Colorization与BigColor上色、归一化流sRGB噪声模型、非局部深度网络、变换-阈值-反演、双重加权截断核范数、快速图形化点云去噪及高斯过程光谱恢复等方法，实验均优于现有技术。

该文综述了归一化流、EM算法和扩散模型在概率建模与推断中的进展，涵盖图像反问题、视觉跟踪、高斯混合拟合、不确定性量化及高维潜变量推断，并强调其在收敛性、精度和密度估计上的改进。

归一化流研究进展综述：连续归一化流（CNF）用于条件密度建模与结构预测，在超分辨率和血管分割任务中表现优异；结合VAE与扩散模型放宽双射约束，平衡表达力与效率；新MCMC算法改善病态问题；FNF保障公平性；随机归一化流提升采样效率；扩展SAC增强探索；并应用于因果推理、NanoFlow参数化、时空建模及贝叶斯条件密度估计。

本文介绍了一种基于归一化流的深度生成模型的变分重整化群方法，用于生成近似相互独立的潜在变量，并在 Ising 模型中进行了实际应用。同时，讨论了该方法与重整化群的小波分析和信息保存 RG 的联系。