我们研究了 DNA 数据存储的新的压缩方案和利用神经网络进行多重描述编码的前沿技术，通过实验结果证明，我们的解决方案在 DNA 数据存储领域中与最新研究方法相媲美，具有更高的压缩率和更强的噪声鲁棒性。

Sep, 2023

我们提出了一个神经网络模型，能够在不牺牲重建质量的情况下，显著压缩大规模科学数据，并在公开的科学基准数据集和高分辨率气候模型数据集上进行了测试，达到了 140 的压缩比和可忽略的重建误差。

Jul, 2023

本文提出了一种基于深度学习的图像压缩架构，利用卷积自编码器的优势达到了更高的编码效率，并利用主成分分析来产生一个更加能量紧凑的表示，实验结果表明，该方法相对于传统的图像编码算法在 Kodak 图像数据库上获得了 13.7％的 BD 速率降低，而且与 JPEG2000 具有类似的复杂度。

Apr, 2018

我们提出了一种新的方法来优化自动编码器实现有损图像压缩，并通过最小的损失改变来改进了深度自动编码器的性能， 从而实现了高分辨率图像的高效和灵活压缩。

Mar, 2017

通过卷积变分自编码器 (CVAE) 进行图像压缩的研究，其能够显著降低传输数据体积并保证安全有损图像重建的品质。

Apr, 2024

本文利用一种序列到序列自编码器模型以无监督的方式学习长度可变的 DNA 序列的固定维度的潜在表示，并在监督学习的拼接位点分类任务中进行了定量和定性评估。实验表明，此类表示法可用作通常相关的任务中的特征或先验，并且采用的模型归因技术获得的序列特征对分类精度有显著影响。

Jun, 2019

本研究提出了一种基于 3D-CNN 的条件概率模型方法，用于直接建模图像自动编码器隐层表示的熵，从而控制重构误差和信息熵之间的平衡关系，该方法在 MS-SSIM 能力测试中表现优异，成为一种最新的图像压缩系统。

Jan, 2018

使用自动编码器和神经风格转移的方法来解决持续学习中的灾难性遗忘和存储数据的内存限制问题，并取得了比最先进方法更高的分类准确率和更少的存储空间。

Jan, 2021

本文提出了一种使用深度学习自编码器的无监督学习模型来检测和分类基因表达相似的显微镜图像区域，该模型通过平衡潜在层的长度和复杂性来进行优化，模型的性能通过适应均方误差度量值进行验证，并与专家的评估进行比较。

Apr, 2023

本文介绍了在生物信息学中使用多种数学领域的算法进行古典到量子数据编码的新颖方法，其中包括无损压缩、小波编码和信息熵技术，并提出了基于量子玻尔兹曼机的 DNA 序列编码测试方法，为量子计算在生物信息学中的发展提供了新的思路和应用。

Apr, 2023