Les modèles génératifs basés sur les flux sont composés de transformations inversibles entre deux variables aléatoires de même dimension. Par conséquent, ces modèles ne peuvent pas être correctement entraînés si la dimension de la distribution des données ne correspond pas à celle de la distribution cible sous-jacente. Dans cet article, nous proposons SoftFlow, un cadre probabiliste permettant d’entraîner des flux normalisants sur des variétés. Pour contourner le problème de désalignement de dimension, SoftFlow estime une distribution conditionnelle des données perturbées plutôt que d’apprendre directement la distribution des données. Nous montrons expérimentalement que SoftFlow parvient à capturer la structure intrinsèque des données de variété et à générer des échantillons de haute qualité, contrairement aux modèles génératifs basés sur les flux classiques. En outre, nous appliquons ce cadre proposé aux nuages de points 3D afin de réduire les difficultés rencontrées par les modèles basés sur les flux pour former des structures fines. Le modèle proposé pour les nuages de points 3D, nommé SoftPointFlow, permet une estimation plus précise de la distribution de diverses formes et atteint un niveau d’performance de pointe dans la génération de nuages de points.