本文提出了一种新型正则化流架构 —— 逆自回归流，它是一种基于自回归神经网络的可逆转换链。实验结果表明，逆自回归流显著改善了高维空间中对角高斯近似后验的变分推断，同时也证明了，结合逆自回归流的新型变分自编码器，在自然图像的对数似然度方面，与神经自回归模型相当，同时合成速度显著更快。

Jun, 2016

本文介绍 Wasserstein 自编码器 (WAE) 的应用，用于概率句子生成，并与其他概率模型进行比较。研究表明，在 stochastic encoding 由固定分布制备时，该分布往往趋向于变成 Dirac delta function，于是提出了一种改进型 WAE 以鼓励编码的随机性，实验表明，该模型在保持与 VAE 相似的连续性和平滑性的同时，能更好的还原句子。

Jun, 2018

本论文提出了一种基于 Householder 变换的体积保存流方法，改进了变分后验分布的灵活性并在 MNIST 数据集和组织病理学数据中获得了理想的结果。

Nov, 2016

我们引入一种新的训练范式：自编码器归一化流（AE-Flow），它通过添加重构损失，使模型使用条件信息重构音频样本，结果表明该方法在正常化流的训练中系统地提高了说话者相似性和自然度。

Dec, 2023

提出了一种基于 VAE 的生成模型，该模型联合训练了基于正则化流的潜在空间分布和到观察到的离散空间的随机映射，解决了直接对离散序列应用正则化流所面临的挑战，并具有可比拟的性能和流灵活性。

Jan, 2019

物理整合生成建模是一种混合或灰箱建模，其中我们用物理知识来增强数据驱动模型，使其在受控的方式下产生符合物理法则的输出，从而提高外推能力和解释性。本文旨在通过使用变分自动编码器作为生成模型来改善物理整合生成模型的重建保真度和对噪声的鲁棒性，通过计划正则化流来学习物理和可训练数据驱动组件的潜在后验分布，同时在编码器中引入基于缩放点乘注意力的上下文信息以减轻潜在向量中噪声的不利影响并使模型更加鲁棒。我们在人体运动数据集上对模型进行了实证评估，结果验证了我们提出的模型在重建质量和对模型注入噪声的鲁棒性方面的有效性。

Apr, 2024

本文提出了 Wasserstein 自编码器（WAE）算法，通过最小化 Wasserstein 距离来构建数据分布的生成模型，并与其他技术进行比较，表明其是对抗自编码器（AAE）的推广，可用于生成更高质量的样本。

Nov, 2017

我们在 Wasserstein 自编码器（WAE）框架中提出了一种新颖的神经主题模型。通过直接在潜在文档 - 主题向量上施加狄利克雷先验，利用潜在空间的结构并应用合适的核，在最小化最大均值差异（MMD）中进行分布匹配，我们发现 MMD 在匹配高维度狄利克雷分布方面比生成对抗网络（GAN）表现更好。我们还发现，训练过程中在编码器输出中引入随机性可以产生更加连贯的主题。为了衡量所产生的主题的多样性，我们提出了一个简单的主题唯一性度量。结合广泛使用的语义相关性度量 NPMI，实验证明我们的模型比现有模型产生更好的主题质量。

Jul, 2019

提出了一种用于图像生成的深度分层变分自编码器（NVAE），其使用深度分离卷积和批归一化。NVAE 在 MNIST、CIFAR-10、CelebA 64 和 CelebA HQ 数据集上取得了最先进的结果，并为 FFHQ 提供了强大的基准。NVAE 是最成功的 VAE 应用于自然图像，尺寸达到了 256x256 像素。

Jul, 2020

本研究提出了利用变分神经机器翻译（VNMT）框架来改进翻译准确性，通过引入潜在的随机变量模拟源语句和目标翻译的生成，并针对目前 Transformer 的不足进行改进，实现了在域内和域外条件下显著优于强基线的效果。

May, 2020