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

本研究提出了一种基于流动面部操作和变分自编码器的面部表情编辑方法，可以高效地实现面部表情的编辑和插值，并生成具有更高知觉质量的图像。

Nov, 2016

本文提出了一种简化面部操纵过程的新框架，包括边界预测阶段和解缠合成阶段，其中边界预测阶段通过边界图像对姿势和表情进行建模，解缠合成阶段则使用两个编码器网络将预测的边界图像和输入的面部图像编码到结构和纹理潜空间中并进行分离，最后基于一个新的高分辨率的人脸操纵数据库进行实验验证。

Mar, 2019

本文提出了一种改进变分自编码器性能的新方法，通过实施生成对抗训练机制，使得 VAE 输出逼真自然的图像；同时，还使用多视图特征提取策略提取有效的图像表示，从而获得了在面部属性预测上最先进性能。

Jun, 2019

本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型，该模型不仅在像素空间中重构输入图像，而且还在多个不同的特征空间中进行重构，通过对先前训练的卷积神经网络进行计算，对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。

Aug, 2020

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

使用多段式 VAE 模型生成高品质图像，通过使用残差块和跳跃连接来增加解码器网络的容量，并使其能够使用多段式生成精细的图像。

May, 2017

通过在变分自编码器中添加缩小版本的图像随机变量，提高图像生成的质量表现，使该方法在负对数似然方面和 VAE 表现相当，同时在数据合成方面获得更好的 FID 得分。

Jun, 2020

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

本文提出了一种新型的自我监督混合模型（DAE-GAN），它结合了两个形变自编码器及条件生成的最新进展，用于学习如何在大量未标记视频的情况下自然地再现人脸，并且在 VoxCeleb1 和 RaFD 数据集上得到了优秀的实验结果，表明了重新表演图像的优异品质和在不同身份之间转移面部动作的灵活性。

Mar, 2020