应用信息论、测度论和理论计算机科学的原理，我们介绍了一种具有广泛应用于编码理论的单变量信号去卷积方法，特别是在零知识单向通信渠道中，例如从未知生成源解码没有先验知识和无法发送返回消息的信息。我们的多维空间重建方法从任意接收到的信号中得出的结果不依赖于编码解码方案、计算模型、编程语言、形式理论、计算（或半计算）的算法复杂性近似方法以及任意选择的（计算）事件概率测度。该方法源于一种实现人工通用智能的原理，能够构建一个独立于任意先验概率分布的模型，用于解码非随机数据，可应用于信号处理、因果去卷积、拓扑和几何特性编码、密码学以及生物和技术签名检测。

May, 2024

该研究基于分级卷积字典学习框架开发了一个深生成模型，使用随机解池来连接模型中的连续层，实现自顶向下的图像生成，使用贝叶斯支持向量机结合顶层特征进行有最大间隔的区分。使用蒙特卡罗期望最大化算法进行高效训练，并在 GPU 上实现以完成高效的大规模学习和快速测试。在包括 ImageNet 在内的多个基准数据集上获得了极佳的结果，证明所提出的模型的性能与同样大小的卷积神经网络相当竞争力。

Dec, 2015

本文介绍了一种通过神经网络的深度生成模型来提供低维参数化图像或信号流形的方法， 证明了其在噪声的压缩感知方面的收敛算法，其样本复杂度与先前的稀疏方法相比具有线性的优越性和改进的潜力。

Dec, 2018

本文提出了一种基于生成模型的贝叶斯逆问题方法，特别针对图像重建中的噪声和不完整图像，并解决了贝叶斯重建中遇到的常见问题：使用包含所有可用信息的复杂数据驱动先验，并在潜在空间和数据空间中进行可计算的不确定性量化。

Oct, 2019

本文提出了一种基于 Gibbs 分布的条件模型，其充分统计量由深度卷积神经网络给出，用于图像超分辨率问题，并证明了该方法可在其他具有挑战性的不适定问题中使用，例如音频带宽扩展。

Nov, 2015

基于生成贝叶斯模型，我们开发了深度卷积字典学习的新方法，并通过新概率汇聚运算提高了其效率，实验结果表明，这种方法在图像处理中能够很好地学习多层次特征，从而在 MNIST 和 Caltech 101 数据集上获得了非常好的分类结果。

Dec, 2014

扩展高斯混合模型及 EM 技术，推广至带有不确定性协方差及缺失数据属性的数据点集，使用共轭先验和分离合并算法避免局部最优解，应用于 Hipparcos 卫星测量的二维星速数据，推断星体三维速度分布的算法。

May, 2009

研究使用生成模型在压缩感知中提出了一种新的方法 Sparse-Gen, 允许在支持集之外的空间上进行稀疏偏差，从而实现使用特定于领域的先验并允许完整的信号空间内的重建。与其他方法相比，该方法在重建准确性方面有着显著的改进，特别是在迁移压缩感知中应用生成模型于数据稀缺目标领域时。

Jul, 2018

该论文提出了一种使用深度生成网络作为先验进行盲图像去卷积（盲去模糊）的新方法，通过使用两个单独的生成模型以及卷积网络，我们提出了一种交替梯度下降方案，可在较大的模糊和噪声下获得有希望的去模糊结果，最终在更加多样化的自然图像数据集上获得了扩展应用。

Feb, 2018

本研究考虑通过低维特征提取高维信号的分类与恢复问题，研究了侧信息对于高维信号恢复的影响及其本质极限，其中使用高斯混合模型描述信号与侧信息之间的关联关系并分析了该模型的近似低秩结构。

Dec, 2014