本文研究了 CNN 的生成建模和渐进预训练方法，并提出了一种基于重要性采样的生成梯度和一种采样图像的可视化方法，实验证明这些方法能够有效提高 CNN 性能并生成真实且多样化的图像样本。

Dec, 2014

本文提出了一种多网格方法，用于学习基于能量的图像生成 ConvNet 模型，展示了其在生成更逼真的图像方面优于原始的对比散度和连续对比散度。

Sep, 2017

本文研究了两个生成模型的协作训练，利用卷积神经网络 (ConvNets) 来进行图像建模和合成，并探究了如何将 MCMC 采样算法无缝地融入协作学习算法中，成功地实现了两个模型的同步训练，从而学习到高度真实的生成模型。

Sep, 2016

本文从生成的角度研究了卷积神经网络，提出了一种学习基于卷积层过滤器的生成 FRAME 模型的方法，并说明了每个学习的模型对应于上面一层的新 CNN 单元，最终展示了利用这样的生成 CNN 模型学习新的 CNN 单元的可能性，学习算法允许使用二元潜变量的 EM 解释。

Sep, 2015

本研究使用 Lipschitz 连续的 embedding 以及 wavelet Scattering transform 计算深度卷积生成网络，不需要被鉴别器或编码器优化，并且具有类似 GAN 或 VAE 的属性。

May, 2018

本文介绍了 PixelGAN 自编码器，通过条件生成对抗网络并在潜变量编码上加入不同的先验分布从而对图像信息进行全局对比或局部对比，实现了样式和内容信息的自监督分离，并在 MNIST、SVHN 和 NORB 数据集上实现了竞争力的半监督分类结果。

Jun, 2017

该研究提出了一种新的方法，能够在处理离散数据、任意形式的噪声和重构损失、同时去除偏差等方面更好地连接正则化自编码器的训练过程和对潜在生成分布的隐式估计。

May, 2013

该研究基于分级卷积字典学习框架开发了一个深生成模型，使用随机解池来连接模型中的连续层，实现自顶向下的图像生成，使用贝叶斯支持向量机结合顶层特征进行有最大间隔的区分。使用蒙特卡罗期望最大化算法进行高效训练，并在 GPU 上实现以完成高效的大规模学习和快速测试。在包括 ImageNet 在内的多个基准数据集上获得了极佳的结果，证明所提出的模型的性能与同样大小的卷积神经网络相当竞争力。

Dec, 2015

本文开发了一种生成模型，其中将新颖的概率池化操作集成到深度模型中，从而产生有效的自下而上（预训练）和自上而下（精细化）概率学习。实验结果表明该模型具有学习图像多层特征的强大能力，并在 MNIST 和 Caltech 101 数据集上获得了优秀的分类结果。

Apr, 2015

使用能量基础的时空生成 ConvNet 建立一个概率分布模型，可用于学习和合成存在于视频序列中的动态纹理和运动模式，该模型可从不完整的训练序列中学习和完成动态模式，并具有较好的生成能力。

Sep, 2019