使用时间滞后变分自编码器（VDE）对复杂的非线性蛋白质折叠等过程进行降维，并通过 saliency mapping 方法分析 VDE 所选择的用来描述动态过程的特征。
Nov, 2017
本文对可变自编码器 (VAE) 拓展至处理序列数据的方法进行了综述，提出并讨论了动态变分自编码器 (DVAEs) 这一类模型，详细介绍了七种 DVAE 模型，并通过语音分析 - 重构任务的实验基准进行了验证，最后探讨了 DVAE 模型的重要问题和未来的研究方向。
Aug, 2020
通过提出一种基于变分自编码器（VAE）的新型潜在映射网络，本研究在增强压缩暗图像的同时避免了压缩工件的放大，从而取得了压缩暗图像增强领域的最先进性能。
Mar, 2024
本文提出基于变分自编码器模型的碰撞物理学数据训练方法，使用地球移动距离的近似值作为输入和输出喷注的重构误差指标。得到的模型学习到了一个数据流形的具体表示，具有语义上有意义和可解释的潜在空间方向。这些方向是按照它们与基础物理生成过程中物理 EMD 尺度的关系进行层次化组织的。随着分辨率超参数的变化，我们可以了解数据集的比例依赖性结构和信息复杂性。本文介绍了两个利用这种比例尺度计算学习表示维数的度量方法。
Sep, 2021
通过引入 LiteVAE，一种基于 2D 离散小波变换的自编码器家族，我们在维持输出质量的同时提高了可扩展性和计算效率，基本 LiteVAE 模型在高分辨率图像生成方面与现有的 VAEs 相当，但编码器参数减少了六倍，导致更快的训练速度和更低的 GPU 内存需求，而我们的较大模型在所有评估指标（rFID、LPIPS、PSNR 和 SSIM）上均优于复杂度相当的 VAEs。
May, 2024
这篇文章介绍了一种对变分自动编码器 (VAEs) 进行简单扩展的方法，通过渐进性减小潜空间大小来自动确定训练过程中的最佳潜空间大小，并将该方法与传统的超参数网格搜索进行比较，结果表明其速度显著更快，且在四个图像数据集上实现了最佳的维度。此外，还证明了我们方法的最终性能与从头开始训练的最佳潜空间大小相当，因此可能作为一种便利的替代方法。
Dec, 2023
基于深度学习的变分自编码器方法可用于光子统计特征到低维度的映射，实现在光子计数较低的情况下准即时分类，同时维持分类准确性并能在检测质量差的情况下改进光子和光源的分类。
利用预测时间下一节点以及基于时间平滑性的模型选择度量，我们提出了一种能够减轻 VAE 学习虚假特征，并能在合成数据集中准确恢复潜在因素的 VAE 架构。
研究发现将先前仅仅被孤立考虑的两个经验法则相结合可以避免后验坍塌，提高了模型的性能表现。虽然该方法的 ELBO（证据下界）较差，但在保留隐变量的能力及对训练数据分布的建模方面表现更好，说明传统的 VAE 目标函数可能无法同时平衡表示学习和数据分布建模。
Sep, 2019
本研究针对变分自编码器（VAEs）的效率和各种假设，提出了新的 VAE 增强方案，该方案不需要任何超参数或敏感调整，并且与多种 GAN 模型竞争时，能产生清晰的样本和稳定的 FID 分数。
Mar, 2019