本文提出的深度潜变量模型 RICH 能够通过无监督学习来学习可解释的组成层次结构，并通过自上而下的方法使用高层表示来指导低层分解，在包含多个具有不同部分构成的对象的图像中，我们证明 RICH 能够学习潜在的组成层次结构并生成虚拟场景。

Oct, 2019

通过递归组合简单的轮廓片段，并结合简单的形状组合和逐层学习和逐渐增加分析窗口的大小，可以学习出一种用于表示多种物体类别的层次化组合形状词汇，并在更快的推理以及更短的训练时间内实现了最先进的检测性能。

Aug, 2014

提出了一种基于图论的方法，用于在由部分组成的分层组合架构中表示对象形状，通过统计模型和最小描述长度原则，在受限制的形状单词表达中学习形状的描述，并将内部数据表示与发现的子结构压缩来构建部分组成。在六个基准二维形状图像数据集上验证了该方法。实验证明，Compositional Hierarchy of Parts（CHOP）可以使用部分共享和索引机制快速推断出形状组成，并提供比现有技术更好的形状检索性能。

Jan, 2015

本文提出了一种基于层次化组合模型的分析模型，通过显式的结构模型和明确的鉴别成本函数结合，在两个数据集上的实验表明，该模型在判别任务中表现和标准 CNN 相当，同时由于特征单元中结构的明确建模，使得其部分具体化可视化、推理快速分离，并且从局部观察中还原能力更强。

Sep, 2016

本研究介绍了层次组合网络 (HCN)，是一种定向生成模型，能够在没有监督的情况下发现和解缠一组二元图像的构建块，使用 max-product 信息传递作为推理引擎，可以简单地执行添加监督信息、分类图像或执行修复等任务，将其用于分类时，具有与卷积神经网络完全相同的功能形式，但 HCN 的特征在定性上非常不同。

Nov, 2016

本文提出一种新的生成式模型，利用真实世界的 3D 扫描完成人体和物品（背包、外套、围巾等）的组合式生成模型的学习，并充分考虑两者之间的交互作用和相互形状变化，解决了先前方法中的限制性表达能力和可控性问题。我们的实验表明该模型能够将不同的物品自然地组合成各种动作和姿势下的人物，且无需人工标注。

May, 2023

本论文提出了一种基于结构化语义布局的图像操作分层框架，使用户可以通过添加、删除和移动一个边界框来对图像进行对象级别的操作。实验证明，该分层框架可以在语义对象操作、交互式图像编辑和数据驱动的图像操作等方面带来优势。

Aug, 2018

通过生成上下文无关文法来组织矩阵分解模型以进行模型选择，使用小型可重用算法估计预测似然和推断潜在组件，通过贪心搜索自动选择分解结构。

Oct, 2012

本文探讨了使用深度卷积神经网络训练高维数据的难点，回答了在随机分层模型中学习所需的训练数据量成长与类别数、高级特征组成式的幂、重复次数成多项式关系的问题，并给出了相应的估算方法。

Jul, 2023

该研究论文探讨了离散生成模型的结构学习或发现，并侧重于贝叶斯模型选择和训练数据的吸收，特别关注数据摄入的顺序。基于预期自由能，将先验放置在模型选择上是关键之一。通过在 MNIST 数据集上进行图像分类以及在具有动力学的模型发现问题上的测试，展示了该方案的基本思想。在这些示例中，通过自主学习生成模型来恢复（即解开）潜在状态的因素结构及其特征路径或动力学。

Nov, 2023