Flussbasierte generative Modelle bestehen aus invertierbaren Transformationen zwischen zwei Zufallsvariablen gleicher Dimension. Daher können flussbasierte Modelle nicht angemessen trainiert werden, wenn die Dimension der Datenverteilung nicht mit der Dimension der zugrundeliegenden Zielverteilung übereinstimmt. In diesem Paper stellen wir SoftFlow vor, einen probabilistischen Rahmen für das Training von Normalisierungsflüssen auf Mannigfaltigkeiten. Um das Problem der Dimensionsinkonsistenz zu umgehen, schätzt SoftFlow eine bedingte Verteilung der gestörten Eingabedaten anstelle der direkten Lernung der Datenverteilung. Experimentell zeigen wir, dass SoftFlow die inhärente Struktur manifaltiger Daten erfassen und hochwertige Proben generieren kann, wohingegen herkömmliche flussbasierte Modelle hierbei versagen. Darüber hinaus wenden wir den vorgeschlagenen Ansatz auf 3D-Punktwolken an, um die Schwierigkeit zu verringern, dünne Strukturen durch flussbasierte Modelle zu erzeugen. Das vorgeschlagene Modell für 3D-Punktwolken, namens SoftPointFlow, kann die Verteilung verschiedener Formen genauer schätzen und erreicht state-of-the-art-Leistung bei der Generierung von Punktwolken.