此研究提出了一种贝叶斯非参数方法，用于信号分离，其中信号可以根据潜在变量而变化。我们的关键性贡献是将高斯过程潜变量模型（GPLVM）扩展为包括每个数据点由多个纯组分信号的加权和构成的情况，并且可以观察多个输入位置。我们的框架允许使用各种关于每个观测的权重的先验知识。这种灵活性使我们能够表示多种用例，包括估计分数构成的加权和为一约束条件和用于分类的二值权重。我们的贡献特别适用于光谱学，其中不同的条件可能导致基础纯组分信号从样本到样本变化。为了证明其在光谱学和其他领域的适用性，我们考虑了几个应用：具有不同温度的近红外光谱数据集，用于识别管道流动配置的模拟数据集，以及通过反射确定岩石类型的数据集。

Feb, 2024

本文提出了一种新的基于统计模型的图像描述方法，其中利用线性滤波器组的局部响应共同服从零均值的高斯分布，协方差在空间位置上变化缓慢。文章通过优化一组滤波器，以最小化其本地激活矩阵（即奇异值之和），从而鼓励一种灵活的稀疏形式，同时也使其不依赖于任何特定的词典或坐标系统，实现了图像近乎完美的重构，具有很好的噪声去除、压缩和纹理表示能力。

Dec, 2014

本文介绍了使用核方法进行多视图潜变量模型学习的理论。方法利用复现核希尔伯特空间嵌入多视图潜变量的联合分布，并提出了一种有效的张量幂法来恢复潜变量参数。实验结果展示了该非参数模型在多个方面都优于现有光谱算法和 EM 算法。

Nov, 2013

通过将图像因子分解为线性组件之和，我们提出了一种零样本方法来通过扩散模型采样来控制每个单独的组件。我们通过分解图像为低频和高频空间成分并基于不同的文本提示来调整这些成分，可以产生根据观察距离而改变外观的混合图像。我们还使用将图像分解为灰度和彩色成分，以生成在灰度下外观改变的图像，这在昏暗的光照下自然发生。此外，我们还通过运动模糊核将图像分解，从而生成在运动模糊下外观改变的图像。我们的方法通过使用组合噪声估计进行去噪，该估计是通过在不同的提示条件下对噪声估计的成分进行构建而得到的。我们还展示出，在某些分解情况下，我们的方法可以恢复先前的生成和空间控制方法。最后，我们展示了我们可以将该方法扩展到从真实图像生成混合图像。我们通过固定一个组件并生成其余的组件来解决一个逆问题。

Apr, 2024

从一小组线性测量和来自扩散概率模型的图像先验出发，重新审视了从高维信号重构的问题。通过利用通过神经网络训练进行去噪的先验来获得一组优化的线性测量，不同于主成分分析（PCA）和压缩感知（CS），在最小化均方重构误差方面显著改进。而且，通过最小化结构相似性（SSIM）感知损失来优化测量，可以实现知觉上改进的重构。结果强调了在设计有效的线性测量时，纳入自然信号的特定统计规律的重要性。

May, 2024

我们提出了一种简单的方法，它能够在不增加超参数的情况下产生高质量的多模态输出，将潜在代码视为卷积滤波器的修改器，从而使源域内容与目标域风格解耦。

Dec, 2018

通过在医学图像分割中鼓励一个均匀的潜在空间，可以显著提高潜在密度建模的效果。

Jul, 2023

使用生成模型、潜在扩散模型和基于回归的深展开方法，提出了一种轻量级模型来生成导向重建过程，以改善快照压缩光谱成像重建的质量和计算效率。

Nov, 2023

通过使用扩展的预训练文本图像模型进行扩散先验处理，本研究提出了基于频率补偿模块和样本空间多专家混合（SS-MoE）的潜在空间方法，以提高图像超分辨率的性能。

Oct, 2023

粒子物理实验中的测量必须考虑用于观测相互作用的探测器的不完善响应。最近，生成式机器学习模型在高维度中执行非直方图展开展现出了潜力。然而，目前所有生成方法限制于展开一组固定的可观察性，使它们无法在变量维度的碰撞数据环境中进行全事件展开。文章介绍了一种对生成展开中变量维度特征空间展开的新颖改进方法。该方法在大型强子对撞机上评估了在半轻子顶夸克对产生方面的性能。

Apr, 2024