该论文提出了一种考虑生成模型的几何特性的算法，它可以使得在潜变量表示中使用简单的聚类算法更加有效，同时提出了一种新的用于建模变分自编码器中不确定性的架构。实验表明，此算法能够反映数据的内部结构。
Sep, 2018
研究了深度生成模型所学习的流形的黎曼几何，并提出了计算测地线和沿流形路径平行传递切向量的算法，发现这些模型学习的流形近似于零曲率，并探讨了这种现象的实际影响。
Nov, 2017
通过将 Riemannian 几何的思想应用到该领域，我们提出了一种基于最短路径计算的距离度量方法，可以获得基于原则的距离度量，提供深度生成模型的视觉检查工具和运动泛化工具。
通过数值工具来获得保持汉密尔顿量的测地线，提出了一个基于模型的连续流形上的距离场和测地线流的参数化方法，以及基于曲率的训练机制，以对测地偏离程度较高的流形区域进行采样和缩放。
May, 2023
通过将环境空间视为黎曼多维流形，可以利用相关的黎曼度量对领域知识进行编码，通过环境度量的仔细设计我们可以确保最短路径的行为表现良好，实验结果表明，我们的方法可以提高随机和确定性生成器的可解释性。
Aug, 2020
本文提出了一种流形匹配方法来生成模型，该方法包括分布生成器和度量生成器，通过学习距离度量来生成符合真实数据流形的样本，并且应用于无监督和有监督学习任务，得到了良好的效果。
Jun, 2021
本研究提出了一种新的生成模型架构，可以更好地解决深度生成模型中潜在空间中的非线性扭曲问题，并提高了概率分布、采样算法和聚类效果。
Oct, 2017
该论文提出了一种基于测地线学习的方法，利用自编码器网络将数据样本映射到潜在空间，并通过插值网络进行插值，以生成高质量的插值样本。
Feb, 2020
机器学习模型发现的流形提供了底层数据的紧凑表示。这项工作提出了一种基于模型的距离场和流形上的测地线流的参数化方法，利用流形增强 Eikonal 方程的解。我们展示了流形的几何对距离场的影响，并利用测地线流直接获得全局长度最小曲线。这项工作为可微流形上的统计和降阶建模开辟了机会。
Oct, 2023
本文主要研究基于几何深度学习 (GDL) 框架的通用前馈神经网络的构建方法，用于处理非欧几里得数据，并得出了一些曲率相关的下界和上界等结论。同时，文章给出了可以保证该方法不失效的数据相关条件。
Jan, 2021