本文提出了“对抗自编码器”(AAE)，它是一个概率自编码器，使用最近提出的生成对抗网络(GAN)通过匹配自编码器的隐藏代码向量的聚合后验分布与任意先验分布来执行变分推断。匹配聚合后验分布和先验保证从先验空间的任何部分生成都会产生有意义的样本。结果，对抗自编码器的解码器学习了一种深度生成模型，将所施加的先验映射到数据分布。我们展示了对抗自编码器如何在半监督分类，图像风格和内容分离，无监督聚类，降维和数据可视化等应用中使用。我们在MNIST、Street View房屋号码和Toronto Face数据集上进行了实验，并展示了对抗性自编码器在生成建模和半监督分类任务中取得了有竞争力的结果。

Nov, 2015

通过先前训练好的GAN模型，将图像投影到潜在空间中以获取表示，我们可以在MNIST任务和Omniglot任务中成功地保留数字和字符的信息，这种方法可以应用于一次性学习。

Nov, 2016

本篇论文提供了一个新的原则，即利用生成模型的层次结构将自编码器与生成对抗网络相结合，以防止学习到的生成模型中的模式崩溃，并使用区分器学习合成可能性和隐式后验分布。

Jun, 2017

本文介绍了生成对抗网络的成功因素，并提出“生成潜在优化”框架来训练深度卷积生成器，实现了可视化合成、样本插值等功能，同时不需要对抗优化方案。

Jul, 2017

提出了一种新颖的生成自编码器网络模型，能够高质量、高分辨率地学习编码和重建图像，并支持从编码器的潜在空间进行平滑的随机采样。

Jul, 2018

本文提出了一个鼓励自编码器进行中间值重构的惯化机制，并通过一个简单的基准测试任务和经验证明，表明我们的惯化机制极大地改善了在这种情况下的插值能力，并产生对下游任务更有效的潜在代码。

Jul, 2018

本文提出了一种新方法，即采用对抗逼近自动编码器（AAAE）来研究具有对抗逼近的潜在代码，从而提高重建质量并学习具有流形结构的潜在空间，同时不需要对潜在代码进行正则化。

Feb, 2019

本研究引入Adversarial Latent Autoencoder (ALAE)来解决autoencoder的生成能力及是否能够学习分离表示等问题。通过两种不同基于MLP encoder和StyleGAN generator的自编码器，我们证实了它具有可分离的属性，并且可以与生成器类型的结构相比较和超过其能力。

Apr, 2020

本研究探讨了生成建模中潜在空间选择的最优解以及其确定过程，并提出了一种新的距离度量方法和具体的训练策略来优化潜在空间的选择，进而提高生成效果。

Jul, 2023

本研究解决了生成对抗网络（GANs）训练过程资源消耗大、时间漫长的问题。提出了一种新颖的优化方法，通过使用可逆映射（特别是自编码器）在初始数据的双空间内进行训练，从而提高了生成过程的效率，并可能揭示超越人类识别的潜在模式。这一方法有效提升了训练速度和资源使用效率，同时探讨了模型是否能够生成超越人类智能的洞察力。

Oct, 2024