本文介绍了一种新的正则化方法 mutual posterior-divergence regularization，用于控制潜空间的几何结构，从而实现有意义的表征学习，并在三个图像基准数据集上取得了良好的表现。

Jan, 2019

本文提出了一种统一的概率模型，用于学习成像数据的潜在空间并执行监督回归，利用VAE和神经网络回归器的联合正则化可以更精确地预测MR图像的年龄，实现了对人脑结构发育规律的直观解释。

Apr, 2019

本文探讨矢量量化变分自编码器模型(VQ-VAE)进行大规模图像生成的应用，采用自回归先验信息，结合简单前馈编码器和解码器网络，以压缩的潜变量空间进行自动回归模型采样，同时使用多尺度层级VQ-VAE进行生成，取得比Generative Adversarial Networks更加优秀的样本生成品质。

Jun, 2019

使用Soft-IntroVAE替换IntroVAE在生成样本中使用的铰链损失项，从而显着提高训练稳定性，并加强了该算法的理论分析。我们展示了IntroVAE会收敛到最小化数据分布之间的KL距离和熵项和的分布，这一结果的影响使得它在图片生成和重建任务中有极好表现，并通过两个应用场景展示了Soft-IntroVAE的竞争力。

Dec, 2020

深度生成模型在医学图像增强中的应用和潜力是本综述的重点，旨在通过人工合成更真实多样且符合数据真实分布的数据样本来改善医学图像分析中深度学习算法的性能，涵盖了三种类型的深度生成模型：变分自编码器、生成对抗网络和扩散模型。

Jul, 2023

MHVAE是一种深度分层变分自动编码器，用于合成不同模态的缺失图像，并可处理输入的不完整图像集。通过引入分层潜在结构的多模态VAE扩展，我们采用概率模型融合了多模态图像到共同的潜在表示，并采用对抗学习生成更清晰的图像。我们在关节术中超声和磁共振图像合成的具有挑战性的问题上进行了广泛实验。相对于多模态VAE、条件GAN和当前最先进的统一方法（ResViT），我们的模型表现更好，显示了使用分层潜在表示和基于原则的概率融合操作的优势。我们的代码公开可用于https://github.com/ReubenDo/MHVAE。

Sep, 2023

通过在对抗训练的变分自编码器框架内结合潜空间的属性正则化，本文提出一种新的可解释性方法，对医学成像中的人工智能模型进行了改进。在心脏MRI数据集上的比较实验证明了该方法在解决变分自编码器方法中模糊重建问题和提高潜空间可解释性方面的能力。此外，对下游任务的分析揭示了使用正则化潜空间进行心脏疾病分类的依赖程度，通过将用于预测的属性与临床观察联系起来，展现出了很好的解释性。

Dec, 2023

通过多分支生成模型的学习协同重建医学图像的概念验证方法，利用变分自编码器（VAEs）和生成对抗网络（GANs）学习同时对成对图像，实现有效的去噪和重建；通过将训练好的模型引入正则项来评估图像与模型之间的距离，类似于多通道字典学习（DiL），在Modified National Institute of Standards and Technology（MNIST）和正电子发射断层显像（PET）/计算机断层扫描（CT）数据集上展示了我们方法的实效性，突出了生成模型在改进医学成像重建方面的潜力。

Apr, 2024

在医学成像中，可解释性对于确保临床医生能够理解和信任人工智能模型至关重要。最近考虑了几种方法来在潜在空间中编码属性以增强其可解释性。本文提出了一种基于属性正则化的软内省变分自动编码器，将潜在空间的属性正则化与对抗训练的变分自动编码器框架相结合。我们在英国生物银行的短轴心脏磁共振图像上展示了所提方法解决了变分自动编码器方法的模糊重建问题，并保持了潜在空间的可解释性。

Jun, 2024

本研究针对内省变分自编码器（S-IntroVAE）提出了通过引入多模态可学习先验来提高模型性能的创新方法。研究表明，与解码器协作训练的先验能够有效实现学习，且通过针对性实验验证了该方法在生成和表征学习方面的显著优势。

Aug, 2024