本研究使用变分自编码器（VAEs）对游戏关卡进行创意设计，通过训练 VAE 于超级马里奥兄弟和战神等游戏的数据，捕捉潜在空间，然后将这些空间用于生成结合了两种游戏特征的新的关卡片段，并通过潜在空间中的进化搜索进行进一步的优化。与类似的生成模型 Gan 和 VAE-GAN 相比，VAE 的方法在协作关卡设计方面表现出特别的优势。

Feb, 2020

本文介绍了应用高斯混合变分自编码器 (Gaussian Mixture VAEs) 生成游戏关卡的方法，该方法可以无需人工干预地将关卡按照特征进行聚类，并生成具有期望特征的新关卡。实验结果表明，学习到的关卡组成元素可以有效地发现与聚类关卡结构和模式。

Aug, 2020

本文介绍了一种使用 VAE 训练生成游戏关卡的方法，通过学习一种顺序模型生成末端关卡来生成长度任意的关卡。同时，该方法还可以将来自不同游戏的关卡隐式混合在一起，相比先前的潜变量方法，所生成的关卡更加连贯且有逻辑。

Jul, 2020

基于贝叶斯观点和变分自编码器，提出一种解决交互式运动规划中的逆游戏问题的方法，通过构建后验分布来量化未知参数的不确定性，并且在处理连续、多模态分布时具有高效性。在模拟驾驶场景中的广泛评估中表明，该方法成功学习先验和后验目标分布，相比 MLE 基准，提供更准确的目标估计，从而促进更安全、更高效的博弈论运动规划。

Feb, 2024

使用品质多样性算法对生成对抗网络中的潜空间进行有效探索，进而提取游戏级别，并展示如何在保持风格相似性的情况下提取具有不同级别机制的高质量级别。

Jul, 2020

介绍了 Adversarial Variational Bayes 技术，可以用于训练具有任意表达力的推理模型的变分自编码器，并将其与生成对抗网络建立起了原则上的联系。

Jan, 2017

提出了一种基于变分自编码器架构的可组合的潜在空间图像增强框架，它使用一种新方法将增强应用于潜在空间本身的线性变换，这使得变换可以轻松组合或反转，并且可以通过转移潜在空间来修改性能，为研究人员和实践者提供了更大的控制和几何可解释性。

Mar, 2023

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

本文阐述了成功学习多模态生成模型的四个判定标准，提出了一种混合专家多模态变分自编码器（MMVAE）来学习不同模态的生成模型，并展示了其在具有挑战性的图像 - 语言数据集上实现四个标准的能力，从质量和数量两方面进行了定性和定量。

Nov, 2019

该文介绍了一种基于多模态数据边缘似然的分层变分自编码器的族群。文章使用 VAEGAN 及基于流的模型构建了模型。实验结果表明，对于图像、标签和文本数据，这些模型在很多领域中达到了最优结果，并且使用 GAN 图像模型和 VAE 语言模型可以得到更好的表现。最后，在配合口语的任务中，该文章发现用于学习图像表达的表示比只使用视觉数据中学习的等效表示更抽象、更组合。

Dec, 2019