本论文提出了一种基于神经网络的普适密度估计器，称为标准化流。通过在正常空间中添加噪声来扩展数据流形，并在训练标准化流后缩减学习得到的密度。该方法的复杂度与标准化流相同，无需计算反向流。当嵌入维度远大于流形维度时，正常空间中的噪声可以很好地近似为高斯噪声，从而可以用于逼近未知流形上任意的密度函数。