基于 GAN 的二维介质散射体电磁成像
本研究使用 Lipschitz 连续的 embedding 以及 wavelet Scattering transform 计算深度卷积生成网络，不需要被鉴别器或编码器优化，并且具有类似 GAN 或 VAE 的属性。
May, 2018
使用深度学习设计反向设计方法，以预测拓扑结构的光致发光光谱作为输入数据，采用双向对抗自编码器能够生成能够提供多个峰值的非线性光子元表面，对于先进光子元表面设计具有重要的推进作用。
May, 2024
该研究基于正交频分复用建立了一个端到端的通信系统，将其建模为自动编码器，并将传输器和接收器表示为编码器和解码器的深度神经网络。该方法通过干扰训练和随机平滑等技术，以及引入增强训练数据的生成对抗神经网络，优于传统通信方案。同时，还将此方法扩展到多输入多输出情况，并演示其相对于传统方法的误码率性能提高。
Dec, 2021
该研究论文讨论了一种基于变分自编码器（VAE）的物理约束生成神经网络模型，用于模拟人体运动对电磁场的影响并融合电磁体绕射原理。通过与经典绕射基于电磁工具和全波电磁体模拟进行验证。
May, 2024
本研究提出了一种利用生成对抗网络在历史病人的诊断质量磁共振图像上训练的压缩感知框架，能够在几毫秒内重建高对比度图像并去除混叠伪影和高频噪声。
May, 2017
本文提出了 “对抗自编码器”(AAE)，它是一个概率自编码器，使用最近提出的生成对抗网络 (GAN) 通过匹配自编码器的隐藏代码向量的聚合后验分布与任意先验分布来执行变分推断。匹配聚合后验分布和先验保证从先验空间的任何部分生成都会产生有意义的样本。结果，对抗自编码器的解码器学习了一种深度生成模型，将所施加的先验映射到数据分布。我们展示了对抗自编码器如何在半监督分类，图像风格和内容分离，无监督聚类，降维和数据可视化等应用中使用。我们在 MNIST、Street View 房屋号码和 Toronto Face 数据集上进行了实验，并展示了对抗性自编码器在生成建模和半监督分类任务中取得了有竞争力的结果。
Nov, 2015
使用降噪 Cycle-GAN（Cycle Consistent Generative Adversarial Network）对低噪声、低分辨率、低信噪比（SNR）磁共振成像（MRI）图像进行良好的复原，同时也证明了这种生成式深度学习模型在提高低场 MRI 图像方面的性能胜过了传统的 DAEs 且无需用到图像对。
Jul, 2023
本文提出了一种名为 AEGAN 的新型生成对抗网络，该网络使用自编码器学习真实图像的内在高级结构，并设计了一个新型的去噪网络来为生成的图像提供逼真的细节，从而能够直接从输入噪声生成 512x512 的高质量图像，结果比其他基线（包括 Oxford-102 Flowers、Caltech-UCSD Birds（CUB）、高质量大规模 CelebFaces 属性（CelebA-HQ）、大规模场景理解（LSUN）和 ImageNet）产生更好的知觉逼真度，即具有更清晰的结构和更丰富的细节。
Mar, 2019