本文提出了一种基于深度学习的图像压缩架构，利用卷积自编码器的优势达到了更高的编码效率，并利用主成分分析来产生一个更加能量紧凑的表示，实验结果表明，该方法相对于传统的图像编码算法在 Kodak 图像数据库上获得了 13.7％的 BD 速率降低，而且与 JPEG2000 具有类似的复杂度。

Apr, 2018

本文介绍在 GAN 框架中，基于 CPCE 网络的 2D 和 3D 构型进行低剂量 CT 去噪。通过 2D 到 3D 的迁移学习，将已训练过的 2D CNN 扩展为初始的 3D CPCE 去噪模型，提高了去噪性能和收敛速度，并在实际数据中证明了比其他方法更好的性能。

Feb, 2018

提出了一种名为 3D 卷积选择性自编码器（3D-CSAE）的深度学习架构，用于检测燃烧不稳定性的演变，通过处理从涡流稳定燃烧器（燃气轮机燃烧器的实验室代用品）拍摄的高速视频，可以提高检测的准确性，为航空航天和能源工业提供更安全和更节能的气轮机发动机。

Jan, 2021

本文介绍了一种快速和可扩展的分布式深度卷积自编码器模型，其使用卷积神经网络来处理 tfMRI 数据，以学习 tfMRI 数据的复杂层次结构，并实现了在大规模 GPU 集群上对 tfMRI 大数据进行分析，从而将神经科学的信息从海量 fMRI 数据中提取出来。

Oct, 2017

该论文介绍了首个用于三维点云的量子自动编码器，通过在模拟的基于门的量子硬件上进行实验，证明了该方法优于简单的经典基准模型，为三维计算机视觉领域开辟了新的研究方向。

Nov, 2023

本研究将形状共分割作为表示学习问题，并介绍了 BAE-NET（一种分支自编码器网络），用于解决此任务。BAE-NET 是一种无监督的网络，使用形状重建损失在未分割形状集合上进行训练，该网络的编码器使用卷积神经网络对输入的形状进行编码，而解码器将结果特征码与点坐标连接起来，并输出一个指示该点是否在形状内 / 外的值。重要的是，解码器是分支式的：每个分支都学习形状集合中常见部分的紧凑表示。通过将形状重建损失与标签损失结合使用，BAE-NET 可以轻松进行单次学习。我们展示了 BAE-NET 的无监督、弱监督和单次学习结果，证明仅使用少量范例，我们的网络通常可以胜过在数百个分割形状上训练的最先进监督方法。

Mar, 2019

我们提出了一个神经网络模型，能够在不牺牲重建质量的情况下，显著压缩大规模科学数据，并在公开的科学基准数据集和高分辨率气候模型数据集上进行了测试，达到了 140 的压缩比和可忽略的重建误差。

Jul, 2023

使用卷积自编码器，提出了一种新的基于‘双减少空间’的三维变分数据同化方法，证明该方法的解与先前的方法相同，但计算复杂度显著降低；我们测试了该方法的性能，并在与现有方法相比，减少背景协方差矩阵表示的大小，同时提高数据同化精度。

Jan, 2021

本文提出了一种基于神经网络的自动编码器和 3D 卷积的点云几何压缩方法，相对于 MPEG 标准压缩算法，可以获得至少 60% BD-Rate 增益，并在视觉效果上表现优越。

Sep, 2019

本论文研究了基于深度学习方法的图像压缩，以卷积自编码器（CAEs）、生成对抗网络（GANs）、超分辨率（SR）为基础开发了三种压缩结构，进行了全面性能比较。实验结果显示，CAEs 通过提取紧凑的特征比 JPEG 实现了更好的编码效率。GANs 在大压缩比和高主观质量重建方面具有潜在的优势。超分辨率在它们中表现出最佳的速率 - 失真（RD）性能，可与 BPG 相媲美。

Jul, 2018