提出一种基于正则化的确定性编码器和解码器的生成模型框架，替换VAEs中的随机性来达到优化潜在空间的目的，并通过引入后验密度估计步骤来生成具有相当或更好质量的样本。

Mar, 2019

基于 Autoencoder 模型的 latent space，我们提出了一种新的方法，将其建模为一个 simplex，从而为确定混合模型中成分的数量提供了一种新颖的启发式方法。利用概率质量函数的抽样方法，我们在 MNIST、CIFAR-10 和 Celeba 数据集上验证了该方法的性能，取得了良好的成果和较低的图像评价指标 FID 值，并在 MNIST 数据集上达到了目前最佳的 GAN-held 记录。

Jan, 2023

本文基于自动编码器训练了一个伯努利编码分布的二元潜空间模型，用于图像压缩和高分辨率图像生成。结果表明该方法无需使用多级层次结构即可大幅提高采样效率，生成的图像质量好且效果与现有先进方法相当。

Apr, 2023

本研究探讨了生成建模中潜在空间选择的最优解以及其确定过程，并提出了一种新的距离度量方法和具体的训练策略来优化潜在空间的选择，进而提高生成效果。

Jul, 2023

通过从自动编码器的潜空间进行采样并将样本解码到原始数据空间，可以将任何自动编码器简单地转变为生成模型。本研究旨在讨论、评估和比较可以用于捕捉潜空间的各种技术，以使自动编码器成为生成模型，同时追求简单性。其中，考虑了一种基于copula的新方法，即经验Beta Copula自动编码器。此外，我们还提供了关于这些方法进一步方面的见解，例如有针对性的采样或合成具有特定特征的新数据。

Sep, 2023

通过使用预训练和冻结的去噪扩散概率模型 (DDPM) 来逆向编码并优化隐藏域，从未见过的域图像合成，证明了这种新颖视角探索和重新思考扩散模型的数据合成广义能力的有效性。

Oct, 2023

利用信息理论，本文通过在优化的一维双重差异空间中直接进行生成抽样，揭示了图像的分布特征以及像素之间的全局和局部依赖结构，提出了一种基于渐变插值的生成新样本的算法，并辅以减少样本复杂性的方法，证明了该方法优于现有的深度学习方法。

Apr, 2024

我们提出了一个通过2D图像数据训练的3D场景潜在扩散模型，首先设计了一个将多视图图像映射到3D高斯斑点并在同时构建这些斑点的压缩潜在表示的自编码器，然后在潜在空间上培训多视图扩散模型，以学习一种高效的生成模型。该方法不需要对象掩码或深度信息，适用于具有任意相机位置的复杂场景。我们在两个大规模复杂真实世界场景数据集MVImgNet和RealEstate10K上进行了仔细实验。与非潜在扩散模型和早期NeRF-based生成模型相比，我们的方法无论是从头开始，从单个输入视图开始还是从稀疏输入视图开始，都能在0.2秒内生成3D场景，并产生多样且高质量的结果，速度提高了一个数量级。

Jun, 2024

本研究解决了生成建模中潜在空间表示的紧凑性和有效性问题。我们提出一种通过松弛Vector Quantization（VQ）假设的新方法，采用字典学习和稀疏约束的潜在空间表示。实验证明，该方法在重构质量和表达能力上超越了VQ方法，同时有效解决了常见的代码本崩溃问题。

Sep, 2024

本研究解决了自回归模型在图像生成任务中的不足，提出了一种统一的观点，强调潜在空间在图像生成建模中的稳定性。通过引入一种有效的离散图像标记器，我们实现了首个在图像生成上超越LDM的GPT风格自回归模型，展示了优化潜在空间和离散标记化对提升图像生成模型能力的潜力。

Oct, 2024