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

本文提出了一种基于 Wasserstein 自动编码器（WAE）的灵活方法，用于训练离散结构的深度潜变量模型，该方法扩展了 WAE 框架以对离散序列进行建模，并进一步探索了不同的先验知识以获得可控表示，最后展示了 WAE 中的潜变量可以进行文本风格转换。

Jun, 2017

本论文提出了一种基于 Autoencoder 和生成对抗网络的神经网络结构，通过在潜在空间插值的对抗训练，促进了一个凸的潜在分布。该模型的生成器和辨别器均使用了 AE，能够生成不模糊的样本，并且具有与原始图像相匹配的高低级特征，样本间的插值也能保持真实图像的潜在空间分布，因此保留了对输入图像的逼真相似性。

Jul, 2018

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

该研究论文介绍了一种结合去噪和正则化的对抗性自编码器方法，用于学习用于推理的有用表示，并通过实验验证其对于分类性能和样本合成的贡献。

Mar, 2017

提出了一种新的算法框架用于学习数据分布的自编码器，该框架最小化模型与目标分布的差异，通过对可学习潜在先验的关系正则化，惩罚潜在先验与其对应后验之间的融合 Gromov-Wasserstein（FGW）距离，从而允许灵活地学习与生成模型相关的结构化先验分布，帮助多个自编码器的联合训练，即使它们具有异构的体系结构和无法比较的潜在空间，通过两种可扩展的算法实现该框架，适用于概率和确定性自编码器，我们的关系正则化自编码器（RAE）在生成图像方面优于现有方法，例如变分自编码器，Wasserstein 自编码器及其变体，此外，我们的关系联合训练策略也取得了在合成和真实世界多视图学习任务中鼓舞人心的结果。

Feb, 2020

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

本文介绍了一种通过利用生成自编码器的潜在句子表示来实现可控制文本生成的方法。作者提出了一种改进自动编码器的方法，被称为 DAAE，该方法可以在维持生成质量的同时，提高模型中的潜在空间几何性，从而实现了通过简单潜在向量算术进行全零文本风格转换。

May, 2019

本文第一次对生成自编码器的最坏情况容忍性进行研究，发现在某些情况下，恶意攻击者可以利用潜在空间攻击常见的生成自编码器，同时我们通过实验还发现了生成自编码器与其确定性变体之间的差异，并考虑了在最坏情况容忍性和潜在代码解缠之间的潜在权衡。

Jul, 2023

我们提出了一种自编码器方法，通过重新组织 StyleGAN 的潜空间，使我们希望编辑的每个属性对应于新潜空间的一个轴，同时确保潜空间轴之间的相关性降到最低，以促进属性解缠，通过实验证明了我们的方法在编辑能力上超越了竞争方法，同时在保持图像身份一致性方面与原始图像具有高度的准确性，我们的自编码器结构简单明了，易于实现。

Dec, 2023