本文提出了一种数据依赖性上采样层 (DUpsampling)，该层能够更好地恢复 CNN 编码器输出的低分辨率特征图到像素预测。研究结果表明，使用该层的解码器可实现更低计算复杂度的高精度语义分割，达到了最优之上的状态。

Mar, 2019

本研究着重探讨了多模式计算机视觉的自回归解码器，包括分类、字幕、视觉问答和光学字符识别等任务，通过广泛的系统性实验，我们研究了多任务和数据混合、训练和正则化超参数、调节类型和特异性、模态组合等因素的影响，并与良好调整的单任务基线进行了比较。重要的是，我们发现锁定图像调整 (LiT-decoder) 的小型解码器表现出色，并通过与预先训练的预训练编码器交互教授解码器自然语言。

Mar, 2023

本文提出基于编码器 - 解码器范式的自动驾驶任务中，充分发挥编码器能力和增加解码器容量的方法，以及在预测车辆行为的同时提取安全关键区域信息，实现闭环自动驾驶，并在 CARLA simulator 上取得了优秀的表现。

May, 2023

本研究提出了一种未训练的简单图像模型 —— 深度解码器，它能够从非常少的权重参数生成自然图像，可以达到基于小波的阈值处理的效果，并且可以避免过拟合问题。此外，该模型简单且易于理论分析，为深度神经网络生成信号的有效表示提供了启示。

Oct, 2018

本文研究了迁移学习在分割问题中的影响，发现迁移学习编码器有利于下游分割任务，而迁移学习解码器并不帮助；同时提出了一种对无标签数据进行自我重构的对比自监督方法，以提供适合于分割问题的编码器。

Jul, 2022

本文提出使用提议的退火重要性抽样方法对基于解码器的模型进行对数似然评估，并使用双向蒙特卡罗验证其精度，分析了解码器模型的性能，现有对数似然估计器的有效性，过拟合程度以及这些模型错过数据分布的重要模式情况。

Nov, 2016

本研究使用基于 PixelCNN 架构的新图像密度模型探索了有条件的图像生成技术。模型可以以任何的向量作为条件，包括描述性标签或标记或其他网络产生的潜在嵌入向量。当以来自 ImageNet 数据库的类标签作为条件时，模型能够生成多样化、逼真的场景。同时，研究还证明了该模型可以作为强大的自编码器解码器，且具有比 PixelRNN 更高的性能且计算成本更低。

Jun, 2016

U-Net 及其变种在医学图像分割中被广泛使用，然而大多数变种仅仅将改进策略局限于构建更复杂的编码器，而忽视了解码器的真正功能和提高分割结果的关键作用。为解决相关研究的空白，我们引入了 neU-Net，其中包括一种新颖的子像素卷积来进行上采样，以构建强大的解码器，并在编码器端引入多尺度小波输入模块以提供额外的信息。我们的模型设计在 Synapse 和 ACDC 数据集上取得了出色的结果，超过了其他最先进的方法。

Sep, 2023

使用生成对抗网络（GAN）创建逼真图像的方法已取得很大进展。为了能够重建图像或使用真实数据生成图像，需要一个编码器，它可以将 GAN 的潜在空间映射回图像空间。通过训练三个网络（编码器、解码器 / 生成器和鉴别器），可以同时构建这三个网络（对抗学习的推理）。训练这三个网络同时可能更不稳定，但是编码器和解码器在训练过程中可以相互交互，从而获益，我们比较了这两种不同的方法，并讨论了同时训练三个网络是否值得额外的努力。

Oct, 2023

本研究评估了多种机器学习模型和相似度度量方法对于神经解码的视觉表征解码任务的影响，结果表明提出了更为先进和精确的方法，并为该解码任务提供了易于再现的基准。

Nov, 2018