本研究提出了一种新颖的方法来构建变分自编码器 (Variational Autoencoder，VAE), 该方法通过 enforced deep feature consistency 的方式替代了传统的像素级别的损失，以充分保留输入数据的空间相关性，产生更自然的视觉效果和更好的感知质量。 对 CelebA 数据集的测试结果表明，我们模型能够优于其他文献中的方法，并且还能够产生能捕捉面部表情语义信息的潜在向量，这些向量可用于实现面部属性预测的最新性能。

Oct, 2016

本研究使用变分自动编码器 (VAE) 和生成式对抗网络 (GAN) 相结合的方法，设计了 M-AAE 算法，在保持面部细节的前提下修改图片特征，通过面部识别损失和循环一致性损失，以及生成面部口罩来强化 VAE 和 GAN 的训练目标，成功生成了高质量、保留细节的图像，并超越了现有方法。

Apr, 2018

提出了一种自动编码器技术，结合了变分自动编码器与生成式对抗网络，可透过特征表示量测数据空间的相似性，进而以特征误差为基础重新构建数据分布，其具有位移不变性，运用在脸部图像上可提供更优的视觉保真度，并能够学习出抽象且高层次的视觉特征。

Dec, 2015

本论文使用预训练自编码器的代表特征隐式规范鉴别器，通过影响反向和正向 KL 距离使得 GAN 的训练更稳定，在图像质量和多样性上都有提高。

Jan, 2018

本文提出一种融合自编码器和生成式对抗网络的变分生成式对抗网络模型，用于合成细粒度类别中的图像。该模型采用交叉熵损失和均值偏差目标函数，学习潜在属性和标签对图像的影响关系，并利用特征匹配保持生成图像的结构。实验结果表明该模型可以生成高度写实、具有细粒度标签的图像。

Mar, 2017

使用变分自编码器的防御策略抵御深度神经网络在图片分类任务中的对抗性攻击。这个防御系统具有灵活性、可学习分解表示以及基于像素块不需要针对不同尺寸的图片进行重新训练等特性，并在中度到严重的攻击情况下，明显胜过 JPEG 压缩及其最优参数，同时仍有提升空间。

Dec, 2018

本文介绍了一种结合对比学习和深度生成模型的对比变分自编码器 (cVAE)，旨在通过训练共享特征和不同特征的模型来发现和增强突出的潜在特征。实验表明，cVAE 可以有效地发现在特定分析中显著的潜在结构。

Feb, 2019

本论文中提出了一种名为 AF-VAE 的方法，通过引入新的加性高斯混合假设和无监督聚类机制，实现了对高分辨率人脸图像的任意操作，并通过人类参与度量和最新的 IS/FID 测试表明了该方法在人脸操作任务中的卓越性能。

Aug, 2019

本文介绍了针对生成模型学习中 GAN 和 VAEs 的新方法，并阐述了 GAN 和 VAEs 的相似性和差异性，探讨了它们的后验推理和 KL 散度的最小化问题，并将 VAEs 的 importance weighting 方法应用到 GAN 的学习中，同时采用对抗性机制加强 VAEs 模型，实验证明了这些方法的普适性和有效性。

Jun, 2017

本文提出了一种正则化方法来强制 Variational Auto-Encoder 的一致性，通过最小化 Kullback-Leibler（KL）散度来实现；实验结果表明该方法可以改善学习表征的质量并提高其泛化能力。

May, 2021