归一化轨迹模型（NTM）将扩散模型每步反向过程建模为条件归一化流，实现精确似然训练。它结合浅层可逆块与深层并行预测器，可从头训练或基于预训练流匹配模型初始化。其精确轨迹似然支持自蒸馏，轻量去噪器四步即可生成高质量图像，在文生图基准上媲美或超越强基线，并保留精确似然。
本文探讨了利用条件归一化流进行不规则时间序列的概率预测，解决缺失值问题，并显著提高模型的似然度。通过引入copula和边际生成流，改进了深度生成网络的尾部特性建模。研究表明，该方法在多个实际数据集上表现优越，尤其在天气和气候预测中具有良好应用前景。
完成下面两步后，将自动完成登录并继续当前操作。
