本研究引入 Adversarial Latent Autoencoder (ALAE) 来解决 autoencoder 的生成能力及是否能够学习分离表示等问题。通过两种不同基于 MLP encoder 和 StyleGAN generator 的自编码器，我们证实了它具有可分离的属性，并且可以与生成器类型的结构相比较和超过其能力。

Apr, 2020

本篇研究介绍 Diff-AE 与 GAE 两种基于 Diffusion probabilistic models 的编码器模型，实现由多个属性进行图像编辑和生成，大大降低了计算需求，并达到了相当不错的效果，对潜在特征得到了更好的分离。

Jul, 2023

本文提出了一种新方法，即采用对抗逼近自动编码器（AAAE）来研究具有对抗逼近的潜在代码，从而提高重建质量并学习具有流形结构的潜在空间，同时不需要对潜在代码进行正则化。

Feb, 2019

使用深度生成模型（DGM）进行生成设计的研究表明，常用的评估指标往往不能准确评估结构不合理性，本研究提出基于简单去噪自编码器（DAE）的度量方法，在三个数据集上与 Fréchet Inception Distance 和其它先进指标进行对比实验，结果表明基于 DAE 的指标能够有效检测不合理的结构并与人工专家的结构检查结果相一致。

Mar, 2024

本文介绍了一种通过利用生成自编码器的潜在句子表示来实现可控制文本生成的方法。作者提出了一种改进自动编码器的方法，被称为 DAAE，该方法可以在维持生成质量的同时，提高模型中的潜在空间几何性，从而实现了通过简单潜在向量算术进行全零文本风格转换。

May, 2019

本论文提出了一种基于 Autoencoder 和生成对抗网络的神经网络结构，通过在潜在空间插值的对抗训练，促进了一个凸的潜在分布。该模型的生成器和辨别器均使用了 AE，能够生成不模糊的样本，并且具有与原始图像相匹配的高低级特征，样本间的插值也能保持真实图像的潜在空间分布，因此保留了对输入图像的逼真相似性。

Jul, 2018

利用 Latents2Semantics 自编码器模型实现人脸图像中具有高度局部化编辑风格属性的 ROI 的结构保持风格编辑，并避免了传统风格编辑流程中需要额外的人为监督的问题。

Dec, 2023

本文提出了 “对抗自编码器”(AAE)，它是一个概率自编码器，使用最近提出的生成对抗网络 (GAN) 通过匹配自编码器的隐藏代码向量的聚合后验分布与任意先验分布来执行变分推断。匹配聚合后验分布和先验保证从先验空间的任何部分生成都会产生有意义的样本。结果，对抗自编码器的解码器学习了一种深度生成模型，将所施加的先验映射到数据分布。我们展示了对抗自编码器如何在半监督分类，图像风格和内容分离，无监督聚类，降维和数据可视化等应用中使用。我们在 MNIST、Street View 房屋号码和 Toronto Face 数据集上进行了实验，并展示了对抗性自编码器在生成建模和半监督分类任务中取得了有竞争力的结果。

Nov, 2015

通过将 self-supervised feedback 引入到 GANs 的训练中，匹配多个随机变量元组的联合分布，以获得超出现有方法的更高应用性。

Jun, 2020

本文旨在探索利用掩码引导特征调制在深度生成模型的潜空间中解决真实图像倒置和操控方向的问题，提出了 SemanticStyle 自编码器模型，并对其进行了定性和定量分析。

Nov, 2022