本研究连接了利用对抗训练 (adversarial training，AT) 训练的鲁棒判别器和基于能量的生成模型 (Energy-based Models，EBM)，通过分解判别器的损失并展示判别模型也能意识到输入数据密度实现。研究发现，令人惊讶的是，输入空间中未定向攻击点非常可能在判别分类器中隐藏的生成模型里 —— 即 EBM 中的能量非常低。我们展示了两个证据：未定向攻击比自然数据甚至更可能出现，当攻击强度增强时，它们的可能性也会增加。这使得我们能够轻松检测它们，并设计了一种名为 High-Energy PGD 的新型攻击方法，它能欺骗分类器但具有与数据集相似的能量。

Apr, 2023

在这项研究中，我们提出了一种新颖而高效的技术来改善基于一致性模型生成的图像的感知质量，并利用联合分类器 - 判别器模型进行后处理，通过引导示例特定的投影梯度迭代，使合成图像更加精细，从而在 ImageNet 64x64 数据集上获得了改进的 FID 得分，适用于一致性训练和一致性蒸馏技术。

May, 2024

本文介绍了一种基于能量模型和深度神经网络，通过蒙特卡罗采样方法直接最小化相关负对数似然训练条件目标密度 p (y|x)，可用于计算机视觉回归任务的新的概率解释回归方法，并在四个计算机视觉回归任务中表现优于其他概率和自信度方法，同时也具备更广泛的应用性，可用于估计年龄和头部姿势等任务。

Sep, 2019

该论文通过能量基模型的混合判别 - 生成式训练，展现出对比学习和监督学习之间的直接联系，并且提出的能量基损失函数的逼近方法有着比现有方法更好的分类准确性、鲁棒性、分布检测和校准性能。

Jul, 2020

本文提出了一种在生成对抗网络中产生直接能量估计样本的方法，并证明该方法不仅可以确保生成器收敛到真实数据分布，而且还能使辨别器在全局最优时保留密度信息。我们推导出所引入解决方案的解析形式，并分析其性质。为了使所提出的框架在实践中可训练，我们引入了两种有效的近似技术。实验结果与理论分析紧密匹配，证明辨别器能够恢复数据分布的能量。

Feb, 2017

本文介绍了一系列训练技术来填补 JEM 的准确性和生成质量之间的差距，包括使用 SAM 框架来促进 JEM 能量景观的平滑性和泛化能力，将数据增强从 JEM 的最大似然估计管道中排除，并缓解数据增强对图像生成质量的负面影响。大量实验证明，我们的 SADA-JEM 在图像分类、图像生成、校准、外部分布检测和对抗鲁棒性方面均取得了突出表现，优于 JEM。

Sep, 2022

本文提出了一种名为 EGC 的基于能量的分类器和生成器，可通过单个神经网络同时实现优越的图像分类和图像生成效果。

Apr, 2023

本论文提出了一种利用生成对抗网络（GAN）和基于深度神经网络的生成模型来代替 MCMC 模型的方法，通过训练这种模型生成的采样分布近似匹配待训练的能量函数。

Jun, 2016

本文提出了一种 Discriminator Driven Latent Sampling（DDLS）方法，使用 GAN 的隐含生成器 log 密度和鉴别器的 logit 分数定义一个能量函数，在生成器达到最优前，该函数表示最优真实数据密度。该方法在潜空间内运行 Langevin MCMC，并应用在生成器函数上，从而提高对多种类型的 GAN 进行训练的效率，并无需引入额外的参数或训练。在评估上达到了无条件图像合成的新的最新技术。

Mar, 2020

本文介绍了广义能量模型（GEBM）的产生式建模方法，指出了其在图像生成任务和密度建模任务中的应用和比 GANS 更好的性能表现。

Mar, 2020