本文提出了一种基于变分自编码器和神经自回归模型的简单但原则性的方法来学习全局表示，该方法允许对全局潜在特征进行控制，通过设计相应的架构，可以迫使全局潜在特征丢弃2D图像纹理等无关信息，并且通过利用自回归模型作为潜在分布和解码分布，可以大大提高VAE的生成建模性能，实现了MNIST、OMNIGLOT和Caltech-101 Silhouettes密度估计任务的新的最先进结果。

Nov, 2016

本文研究了一种新的模型Gaussian Process Prior Variational Autoencoder(GPPVAE)，结合了VAEs和具有GP priors关联特性的能力，解决了VAEs假设的潜在样本表示是独立并且同分布的假设不够强的问题，并利用协方差矩阵中的结构，介绍了一种新的随机反向传播策略，达到了分布式和低内存计算随机梯度的目的，实验证明该方法可以在两个图像数据应用程序中优于conditional VAEs (CVAEs)和标准VAEs。

Oct, 2018

本文提出了一种统一的概率模型，用于学习成像数据的潜在空间并执行监督回归，利用VAE和神经网络回归器的联合正则化可以更精确地预测MR图像的年龄，实现了对人脑结构发育规律的直观解释。

Apr, 2019

本文提出一种方法，将变分自编码器和生成对抗网络与扩散映射相结合，创建了一个继承扩散映射渐近保证的生成模型，同时保持深度模型的可扩展性。

May, 2019

该研究提出了一种称为长期VAE（L-VAE）的方法，通过使用多输出加性高斯过程（GP）先验来扩展VAE的能力，从而实现在辅助协变量信息的约束下学习结构化低维表示， 以及导出了一种新的KL离散度上界。该方法可以同时适应时间变化的共享和随机效应，产生结构化低维表示，剥离个体协变量或其相互作用的影响，以及实现高度准确的预测性能。

Jun, 2020

本文提出了一种新型的 Variational Autoencoder with Learned Latent Structure（VAELLS）模型，该模型融合了可学习的流形模型，使得先验分布与数据流形匹配，并允许定义潜在空间中的生成变换路径，同时尝试在已知潜在结构的情况下进行验证，并展示了该模型在现实世界数据集上的性能。

Jun, 2020

本文研究了变分自编码器的训练问题，提出了一种二阶段的训练算法，证明了该算法可以在低维流形上训练，并且得到的生成器可以恰好支持原本的低维流形，且是由于训练算法的隐式偏差而非VAE损失本身的原因。

Dec, 2021

研究证明变分自编码器和其条件扩展在多个领域可以达到最新成果，小样本图像中具有低维曼诺尔性质的特殊数据，其复杂行为仍不为人所知晓，本文从数据分布的角度出发，通过实验证明变分自编码器的全局最小值可以学习到正确的曼诺尔维度，在这个前提下讨论了更普适的条件扩展以适应不同数据分布的情况。

Feb, 2023

提出了一种变分空间转换自编码器（VTAE），通过在 Riemann 流形上最小化测地线来改善表征学习，并提高计算机视觉任务的预测准确性和适用性，包括图像插值和重构。

Apr, 2023

本研究解决了自编码器在处理函数数据时的有效性问题。通过引入函数空间自编码器（FAE）和变分自编码器（FVAE），并分析其目标函数的定义，研究展现了新算法在不同离散化间平滑操作的优势。研究发现，这些新方法可广泛应用于科学数据的修补、超分辨率和生成建模，具有显著的实际影响。

Aug, 2024