Proyectos
Ver en GitHub
amorehead/awesome-generative-flows
amorehead/awesome-generative-flows has 52 GitHub stars and 6 forks. GitHot measured +1 stars in 24 hours, +1 in 7 days, and +1 in 15 days. Last checked 2026-11-16 03:16 UTC. Last push 2026-10-20.
Crecimiento de estrellas medido
- in 24h
- +1
- in 7 days
- +1
- in 15 days
- +1
- in 1 month
- Recopilando historial
Cambios netos en períodos que se solapan, no totales diarios. Los datos no disponibles se dejan en blanco. Las estrellas indican interés, no calidad.
Acerca de
Awesome papers related to generative flow matching and its applications in bioinformatics. (Nature Machine Intelligence)
IAREADME.es-ES.md
Original:robot: awesome-generative-flows
Papers destacados relacionados con el flujo generativo (flow matching) y sus aplicaciones en bioinformática.
No dudes en crear un pull request si deseas agregar otros papers destacados.
Contribuyentes
Métodos de código abierto para modelos de Flow Matching
| Nombre del Método | Año | Descripción Breve | Código Fuente |
|---|---|---|---|
| Neural Autoregressive Flows (Huang et al., 2018) | 2018 | Modelo fundamental | GitHub |
| Neural (latent) ODE (Chen et al., 2018) | 2018 | Modelo fundamental | GitHub |
| GLOW (Kingma et al., 2018) | 2018 | Flujos generativos fundamentales | GitHub |
| FFJORD (Grathwohl et al., 2019) | 2019 | Mejora la eficiencia computacional de las EDOs neuronales | GitHub |
| Augmented Neural ODEs (Dupont et al., 2019) | 2019 | EDO neuronal fundamental | GitHub |
| Residual Flows (Chen et al., 2019) | 2019 | Flujos generativos invertibles | GitHub |
| Graph Normalizing Flows (Liu et al., 2019) | 2019 | Flujos generativos geométricos | GitHub |
| Stochastic Normalizing Flows (Wu et al., 2020) | 2020 | Flujos generativos estocásticos | GitHub |
| Equivariant Normalizing Flows (Garcia Satorras et al., 2021) | 2021 | Flujos generativos equivariantes | GitHub |
| Diffusion Normalizing Flow (Zhang et al., 2021) | 2021 | Flujos generativos estocásticos | GitHub |
| Monte Carlo Flows (Gabrie et al., 2022) | 2022 | Flujos para MCMC | GitHub |
| Divergence-free Neural Conservation Laws (Richter et al., 2022) | 2022 | Flujos con redes neuronales libres de divergencia | GitHub |
| Rectified Flows (Liu et al., 2022) | 2022 | Trayectorias de flujo rectas y rápidas | GitHub |
| Flow Matching for Generative Modeling (Lipman et al., 2022) | 2022 | Flujos generativos con trayectorias de probabilidad gaussiana | GitHub |
| Stochastic Interpolants (InterFlow) (Albergo et al., 2022) | 2022 | Construcción de flujos con interpolantes estocásticos y difusión | GitHub |
| RIVER (Davtyan et al., 2022) | 2022 | Flow matching para predicción de video | GitHub |
| Point Straight Flow (Wu et al., 2022) | 2022 | Generación de nubes de puntos con flujos rectos y rápidos | GitHub |
| Action Matching (Neklyudov et al., 2023) | 2023 | Transporte óptimo generativo con trayectorias arbitrarias | GitHub |
| OT Conditional Flow Matching (Tong et al., 2023) | 2023 | Flujos continuos generativos (condicionales) | GitHub |
| Fast-ODE (Lee et al., 2023) | 2023 | Minimización de la curvatura de trayectoria en modelos generativos basados en EDO | GitHub |
| Latent Flow Matching (Dao et al., 2023) | 2023 | Flow matching en el espacio latente | GitHub |
| [SF]²M (Tong et al., 2023) | 2023 | Dinámica estocástica libre de simulación | GitHub |
| Riemannian Flow Matching (Chen et al., 2023) | 2023 | Flujos generativos geométricos | GitHub |
| Equivariant Flow Matching (Klein et al., 2023) | 2023 | Flujos generativos equivariantes | GitHub |
| Wasserstein Lagrangian Flows (Neklyudov et al., 2023) | 2023 | Flujos unificados y transporte óptimo | GitHub |
| FM Boosting (Fischer et al., 2023) | 2023 | Mejora de modelos de difusión latente con flow matching | GitHub |
| Motion Flow Matching (Hu et al., 2023) | 2023 | Flow matching para síntesis y edición de movimiento humano | GitHub |
| InstaFlow (Liu et al., 2023) | 2023 | Flujos para acelerar la generación de texto a imagen | GitHub |
| Multimodal Flow Matching (Campbell et al., 2024) | 2024 | Generación de datos continuos-discretos | GitHub |
| Functional Flow Matching (Kerrigan et al., 2024) | 2024 | Flow matching para espacios de dimensión infinita | GitHub |
| Dirichlet Flow Matching (Stark et al., 2024) | 2024 | Generación de datos discretos | GitHub |
| Discrete Flow Matching (Gat et al., 2024) | 2024 | Generación de datos discretos | GitHub |
| Fisher Flow Matching (Davis et al., 2024) | 2024 | Generación de datos discretos | GitHub |
| Bellman Optimal Stepsize Straightening (Nguyen et al., 2024) | 2024 | Destilación y ajuste fino de modelos generativos de flow matching | GitHub |
| Consistency Flow Matching (Yang et al., 2024) | 2024 | Aprendizaje de flujos estrictos con autoconsistencia en campos de velocidad | GitHub |
| Metric Flow Matching (Kapusniak et al., 2024) | 2024 | Flujos en la variedad de datos | GitHub |
| Depth FM (Gui et al., 2024) | 2024 | Flow matching para estimación de profundidad | GitHub |
| Probabilistic Forecasting with Interpolants (Chen et al., 2024) | 2024 | Interpolantes estocásticos para pronóstico probabilístico de sistemas dinámicos | GitHub |
| SemFlow (Wang et al., 2024) | 2024 | Flujos para segmentación semántica y síntesis de imágenes semánticas | GitHub |
| Preference Flow Matching (Kim et al., 2024) | 2024 | Flow matching para aprendizaje por refuerzo basado en preferencias | GitHub |
| COT-FM (Kerrigan et al., 2024) | 2024 | Transporte óptimo condicional con flujos libres de simulación | GitHub |
| FlowSeq (Hu et al., 2024) | 2024 | Flow matching para generación de texto condicional | GitHub |
| Statistical Flow Matching (Cheng et al., 2024) | 2024 | Flujos en la variedad de medidas de probabilidad parametrizadas | GitHub |
| Optimal Flow Matching (Kornilov et al., 2024) | 2024 | Trayectorias de flujo más cortas | GitHub |
| Discrete Guidance (Nisonoff et al., 2024) | 2024 | Guía de modelos de flujo y difusión en espacio de estado discreto | GitHub |
| Meta Flow Matching (Atanackovic et al., 2024) | 2024 | Flujos a través de medidas y modelado de interacciones de muestras | GitHub |
| Trajectory Flow Matching (Zhang et al., 2024) | 2024 | Modelado libre de simulación de series temporales estocásticas | GitHub |
| Generator Matching (Holderrieth et al., 2025) | 2024 | Flow matching multimodal generalizado | GitHub |
| Wasserstein Flow Matching (Haviv et al., 2024) | 2024 | Flujos para familias de distribuciones | GitHub |
| Multi-Marginal Flow Matching (Rohbeck et al., 2025) | 2025 | Flujos con interpolación suave basada en splines | GitHub |
| Contrastive Flow Matching (Stoica et al., 2025) | 2025 | Flujos condicionales únicos | GitHub |
| TFG‑Flow (Lin et al., 2025) | 2025 | Guía de flujo continuo-discreto | GitHub |
| SDE Matching (Bartosh et al., 2025) | 2025 | EDEs latentes libres de simulación | GitHub |
Modelos de Flow Matching específicos para aplicaciones
| Área de Investigación | Aplicaciones | Nombre del Método | Condicionamiento del Flujo | Arquitectura de Red | Modalidades | Datos | Rendimiento | Mejora | Código Fuente |
|---|---|---|---|---|---|---|---|---|---|
| Modelado molecular | Generación de moléculas pequeñas | EquiFM (Song et al., 2023) | Sin condicionar | GNN geométrica | Secuencia, 3D | GEOM-Drugs | 98.9% (Validez) | +7% | GitHub |
| Generación de moléculas pequeñas | SemlaFlow (Irwin et al., 2024) | Sin condicionar | GNN geométrica | Secuencia, grafo, 3D | GEOM-Drugs | 93.9% (Validez) | -1% | GitHub | |
| Generación de moléculas pequeñas | FlowMol (Dunn et al., 2024) | Sin condicionar | GNN geométrica | Secuencia, grafo, 3D | GEOM-Drugs | 51.2% (Validez) | -33% | GitHub | |
| Predicción de conformeros de moléculas pequeñas | ET-Flow (Hassan et al., 2024) | Condicionado | Transformer | 3D | GEOM-Drugs | 75.2% (Precisión-Cobertura) | +13% | GitHub | |
| Generación de moléculas pequeñas y materiales | ADiT (Joshi et al., 2025) | Sin condicionar | Transformer de todos los átomos | Secuencia, 3D | GEOM-Drugs | 95.3% (Validez) | +1% | GitHub | |
| Generación de moléculas pequeñas | TABASCO (Vonessen et al., 2025) | Sin condicionar | Transformer | Secuencia, 3D | GEOM-Drugs | 98.0 (Validez) | +0% | GitHub | |
| Generación de secuencias de proteínas | ProtFlow (Kong et al., 2025) | Condicionado | Transformer | Secuencia | SwissProt | 4.24 (scPerplexity) | +35% | - | |
| Generación de estructuras de proteínas | FrameFlow (Yim et al., 2023) | Sin condicionar | Transformer equivariante SE(3) | 3D | SCOPe | 0.81 (Capacidad de diseño) | +93% | GitHub | |
| Generación de estructuras de proteínas | FoldFlow (Bosese & Huguet, 2024) | Sin condiciar | Transformer equivariante SE(3) | 3D | PDB | 0.82 (Capacidad de diseño) | +34% | GitHub | |
| Empaquetamiento de cadenas laterales de proteínas | FlowPacker (Lee et al., 2025) | Condicionado | Transformer equivariante SE(3) | 3D | PDB | 0.76Å (RMSD) | +10% | GitHub | |
| Generación de secuencias y estructuras de proteínas | Multiflow (Campbell et al., 2024) | Sin condiciar | Transformer equivariante SE(3) | Secuencia, 3D | PDB | 0.86 (Capacidad de diseño) | +37% | GitHub | |
| Generación de secuencias y estructuras de proteínas | CoFlow (Yang et al., 2025) | Condicionado | Transformer | Secuencia, 3D | MGnify30 | 3.10Å (scRMSD) | +87% | GitHub | |
| Generación de secuencias y estructuras de proteínas | OriginFlow (Yan et al., 2025) | Sin condiciar/Condicionado | Transformer | 3D | PDB | 0.45 (TM-Diversity) | +6% | GitHub | |
| Secuencias y estructuras de proteínas de anticuerpos | FlowDesign (Wu et al., 2025) | Condicionado | Transformer equivariante SE(3) | Secuencia, 3D | SAbDab | 30% (IMP-H3) | +11% | – | |
| Secuencias y estructuras de proteínas de péptidos | D-Flow (Wu et al., 2024) | Condicionado | Transformer | Secuencia, 3D | PDB | 1.63Å (RMSD) | +21% | GitHub | |
| Secuencias y estructuras de proteínas de péptidos | PepFlow (Li et al., 2024) | Condicionado | Transformer equivariante SE(3) | Secuencia, 3D | PDB | 2.07Å (RMSD) | +37% | GitHub | |
| Secuencias y estructuras de proteínas de péptidos | PPFlow (Lin et al., 2024) | Condicionado | Transformer equivariante SE(3) | Secuencia, 3D | PDB | 35.43% (IMP%-B) | +23% | GitHub | |
| Generación de secuencias de DNA | Dirichlet FM (Stark et al., 2024) | Sin condiciar | Transformer con FM en simplex | Secuencia | lncRNA | 1.98 (Perplejidad) | +12% | GitHub | |
| Generación de secuencias de DNA | Fisher-Flow (Davis et al., 2024) | Sin condiciar | FM hiperesférico (Fisher-Rao) | Secuencia | lncRNA | 1.40 (Perplejidad) | +29% | GitHub | |
| Generación de secuencias de RNA | RNACG (Gao et al., 2024) | Condicionado | Transformer de difusión multimodal (FM Dirichlet) | Secuencia | PDB | 68.1% (Recuperación total) | +2% | – | |
| Generación de secuencias y estructuras de RNA | RNAFlow (Nori et al., 2024) | Condicionado | GNN geométrica | Secuencia | PDB | 37.0% (Recuperación) | +37% | GitHub | |
| Sec. y estructura de RNA condicionadas por ligando | RiboFlow (Ma et al., 2025) | Condicionado | Flujo SE(3) + modelado de torsión | Secuencia, 3D | PDB | 34.7% (Validez) | +13% | – | |
| Sec. y estructura de RNA condicionadas por proteína | RNA-EFM (Abir et al., 2025) | Condicionado | Flujo SE(3) basado en energía + contactos de proteínas | Secuencia | PDB | 40.0% (Recuperación) | +8% | – | |
| Generación de estructuras de RNA | RNA-FrameFlow (Anand et al., 2024) | Sin condiciar | Transformer equivariante SE(3) basado en torsión | 3D | PDB | 25.0% (Validez) | Primer tipo | GitHub | |
| Predicción de estructuras de RNA | RNAbpFlow (Qiao et al., 2024) | Condicionado | Transformer equivariante SE(3) aumentado con pares de bases | 3D | PDB | 0.38 (TM-score) | +19% | GitHub | |
| Interacciones biomoleculares | FlowDock (Morehead et al., 2025) | Condicionado | Transformer equivariante SE(3) | 3D | PDB | 50.7% (RMSD < 2Å & PB) | +18% | GitHub | |
| Interacciones biomoleculares | NeuralPLexer3 (Qiao et al., 2024) | Condicionado | Transformer de todos los átomos | 3D | PDB | 77.9% (RMSD < 2Å & PB) | +7% | GitHub | |
| Interacciones biomoleculares | FlexDock (Corso et al., 2025) | Condicionado | GNN equivariante SE(3) | 3D | PDB | 40.0% (RMSD < 2Å & PB) | +800% | GitHub | |
| Interacciones biomoleculares | UniMoMo (Kong et al., 2025) | Condicionado | Transformer equivariante | Secuencia, grafo, 3D | PepBench/ProtFrag, SAbDab, CrossDocked2020 | 10.38 (Puntaje ponderado) | +8% | GitHub | |
| Dinámica biomolecular | AlphaFlow (Jing et al., 2025) | Condicionado | Transformer equivariante SE(3) | 3D | PDB | 0.48 (RMSD r por pares) | +218% | GitHub | |
| Dinámica biomolecular | FMRC (Zhang et al., 2024) | Condicionado | Red neuronal totalmente conectada | 3D | PDB | 0.45 (Valor propio medio=0.38) | +5% | GitHub | |
| Dinámica biomolecular | MDGen (Jing et al., 2024) | Condicionado | Transformer | 3D | MD | 0.48 (RMSD r por pares) | +0% | GitHub | |
| Dinámica biomolecular | OM-TPS (Raja et al., 2025) | Condicionado | Red neuronal de difusión/flujo | 3D | MD | 0.35 (JSD) | +40% | GitHub | |
| Dinámica biomolecular | UniSim (Yu et al., 2025) | Condicionado | GNN geométrica | 3D | MD | 0.33 (JSD, por pares) | +9% | GitHub | |
| Modelado de célula única | Modelado de fenotipo celular | CellFlow (Klein et al., 2025) | Condicionado | Red neuronal residual | Secuencia | PBMC | 0.60 (R²-DEG) | +200% | GitHub |
| Generación de fenotipos | CFGen (Palma et al., 2025) | Composicional (multi-atributo) | Flow matching (verosimilitudes discretas) | Secuencia | HLCA | 10.7 (2-WD) | +9% | GitHub | |
| Flujos libres de simulación | CFM (Tong et al., 2024) | Condicionado | FM condicional (regresión) | Secuencia | Multi | 0.94 (1-WD) | +13% | GitHub | |
| Puentes estocásticos | [SF]²M (Tong et al., 2023) | Sin condiciar | Score-FM | Secuencia | Multi | 0.93 (1-WD) | +1% | GitHub | |
| Alineamiento de flujos estocásticos | GENOT (Klein et al., 2024) | Sin condiciar | Flujos de Gromov-Wasserstein entrópico | Secuencia | True Match | 0.16 (FOSCTTM) | +48% | GitHub | |
| Modelado de flujos condicionados por población | Meta FM (Atanackovic et al., 2024) | Condicionado por población | GNN basada en FM | Secuencia | PDO | 4.10 (1-WD) | +3% | GitHub | |
| Modelado a nivel de distribución | Wassertein FM (Haviv et al., 2024) | Distribucional | FM de Bures-Wasserstein | Secuencia | MERFISH | 54.5 (1-WD) | Primer tipo | GitHub | |
| Flujos restringidos a variedades | Metric FM (Kapusniak et al., 2024) | Condicionado por métrica | Interpolante geodésico + campo de flujo | Secuencia | Multi (100D) | 50.9 (1-WD) | +3% | GitHub | |
| Puentes conscientes de interacciones | CytoBridge (Zhang et al., 2025) | Condicionado (campo medio) | Puente de Schrödinger de campo medio desbalanceado | Secuencia | Mouse | 6.64 (1-WD, t=2) | +2% | – | |
| Dinámica rotacional | Curly‑FM (Petrović et al., 2025) | Condicionado por velocidad | Puente de Schrödinger con deriva | Secuencia | Erythroid | 0.49 (Distancia coseno, d=50) | +1% | – | |
| Flujos conscientes del crecimiento | VGFM (Wang et al., 2025) | Condicionado (crecimiento + velocidad) | Regresión de flujo + campo de crecimiento | Secuencia | EB | 0.68 (1-WD) | +5% | – | |
| Aprendizaje de flujos en múltiples contextos | MMFM (Rohbeck et al., 2025) | Condicionado (tiempo + condición) | Campo vectorial global + guía de spline | Secuencia | Multi (100D) | 70.4 (1-WD) | -38% | GitHub | |
| Modelado multicelular | Imagen celular | CellFlux (Zhang et al., 2025) | Condicionado | U‑Net | Imagen | JUMP | 84.4 (FIDc) | +16% | GitHub |
| Bioimagen | Eliminación de ruido en criomicroscopía electrónica | CryoFM (Zhou et al., 2025) | Condicionado | Transformer | 3D | EMDB | 0.00 (FR) | +100% | GitHub |
| Segmentación de imágenes microscópicas | FlowSDF (Bogensperger et al., 2025) | Condicionado | U‑Net | Imagen | MoNuSeg | 81.22 (Puntaje F1) | +0% | GitHub | |
| Reconstrucción de imágenes biomédicas | GTF²M (Luo et al., 2025) | Sin condiciar | U‑Net | Imagen | fastMRI | 0.80 (SSIM, 4x) | +1% | - | |
| Reconstrucción de imágenes biomédicas | MMSflow (Zhang et al., 2025) | Sin condiciar | U‑Net | Imagen | fastMRI | 0.64 (SSIM, 4x) | +2% | - | |
| Síntesis de imágenes biomédicas | MOTFM (Yazdani et al., 2025) | Condicionado | U‑Net | Imagen | 3D MSD MRI Brain | 7.93 (3D-FID) | +73% | GitHub |