该论文提出了一种将高斯混合模型直接拟合于三角网格的新方法，这可提高几何目标的似然性评估，并产生更高质量的 GMMs 以及对于网格和 RGB-D 框架的 3D 配准，该方法具有普适性。

Apr, 2019

本文提出了一种新的广义形状模型 Gaussian Process Morphable Models (GPMMs)，采用高斯过程来建模形状变化，结合主成分分析等方法，可以用于非刚性配准和基于模型的分割任务。

Mar, 2016

本文探讨了多元广义高斯分布（MGGD）和椭圆对称分布下的协方差估计的最大似然优化问题，提供了一种新的基于测地线凸性分析该似然函数的方法以及通过结构化稀疏性限制的广义协方差估计框架。

Apr, 2013

我们使用高斯混合模型构建了一种高效的显式表示方法，可以在短时间内优化和渲染复杂的外观，该方法能够应对高维度挑战和缺失细节，并适用于快速拟合和评估。

May, 2024

使用深度学习、高斯混合模型和卷积神经网络方法，本研究提出了一种可以快速预测标签概率的图像分割方法，并且能部分克服高斯混合模型中忽略相邻像素相关性的缺点，通过在多序列 MRI 图像上进行心肌梗塞分割的实验证明了该方法的优势。

Apr, 2024

本文研究了高斯混合模型的推广形式 —— 高斯 Copula 混合模型，基于此模型开发了拓展的 EM 算法估计其参数，通过使用独立的非参数统计方法对每个维度的边缘分布进行估计，GCMM 可以实现对数据更深入的挖掘。实验表明，与高斯混合模型相比，在具有相同簇数的情况下，GCMM 可以实现更好的拟合度，并且可以利用每个维度上的不同步数据进行挖掘。

May, 2023

该论文研究了针对集体统计数据的 Collective Graphical Model（CGM）的高斯近似方法，证明了当样本量增大时，其分布趋近于一个多维高斯分布（GCGM），并探讨了基于不同噪声模型的推断方法。研究结果表明，GCGM 推断方法在准确性和速度上优于 MCMC 和 MAP 方法。

May, 2014

该研究提出了一种新的机器学习模型 —— 图混合密度网络，可适用于任意拓扑结构的多模态输出分布拟合。研究结果表明，该模型在应对结构化数据相关的挑战性条件密度估计问题方面表现突出，并可应用于随机传染病模拟等领域，且能有效提高结果的预测不确定性。

Dec, 2020

提出了一种基于多维高斯混合分析卷积的深度学习方法，该方法通过高斯混合卷积核和数据产生多个特征通道，使用高斯混合拟合来代替传统的转移函数（如 ReLU），并在适当减少高斯混合成分数量的情况下进行汇集，基于该架构的网络在封装 MNIST 和 ModelNet 数据集的高斯混合物上达到了竞争性的准确性。

Feb, 2022

本研究提出了一种结合深度神经网络灵活性和高斯混合模型简洁性的方法来估计缺失值的条件概率分布，并实验验证了我们的模型在插补缺失值方面的有效性。

Oct, 2020