使用 CoGS 方法，通过输入手绘草图和样式编码图像生成图像，实现对图像结构和外观的粗粒度控制；进一步通过将码簿表示映射到向量空间，实现对多个综合选项的精细控制；同时，该方法还融合了搜索和综合任务，使用户可以根据搜索结果进一步优化图像的细节。

Mar, 2022

本文介绍了一个基于 cognitive psychology 和 neuroscience 的撷图，和相应的 deep learning 架构，用来解决视觉和逻辑推理以及记忆方面的问题。架构表现不错且易扩展，是目前解决此问题的有力之选。

Mar, 2018

COnditional COordinate GAN (COCO-GAN) 是一种基于空间坐标的图像生成器，通过学习空间关系实现全图像生成，并可实现超出边界和全景生成等多种应用。

Mar, 2019

通过模拟人类认知过程，我们提出了一种新的自动化的视觉概念评估方法（ViCE），用于评估生成 / 编辑的图像与相应提示 / 说明之间的一致性，并为图像评分。虽然这种模拟人类在图像评估过程中的新假设正处于初步评估阶段，但结果令人鼓舞，并为一种新形式的自动评估打开了大门，这将在图像生成或图像目标编辑任务变得越来越复杂时产生重要影响。

Jul, 2023

本文介绍了 COGnitive Neural GENerative 系统（CogNGen），它是一种认知架构，将两种神经生理学可信的计算模型：预测性处理和高维 / 矢量符号模型相结合。CogNGen 的表现与 ACT-R 和 Spaun/Nengo 相当，为设计能够不断从不同任务学习并模拟人类在更大尺度上表现的代理人奠定了基础。本文在四个迷宫学习任务上测试了 CogNGen，并发现其与深度强化学习模型相当，并在测试记忆的任务上超过了它们的表现。

Mar, 2022

我们提出了 CoCoGesture，这是一个能够从未见过的人类语音提示中实现生动多样的手势合成的新框架，通过大规模数据集和预训练模型的优化，在零样本语音转手势生成上表现优于现有方法。

May, 2024

通过生成对抗网络和角色设计相结合的协同创作框架，本研究开发了一个标记数据集并使用不同的生成对抗网络进行评估，证实了该框架的价值，并阐明了生成的概念如何以多样的方式与设计师的能力相互作用，影响构思新角色的创造过程。

Nov, 2023

本文介绍了一种基于认知创造力理论的计算模型，旨在实现人造智能代理学习使用和生成易于迁移的表征，并通过梯度强化学习获取目标导向和时间信息的双重记忆系统，以及进行反射推理和融合等认知处理来提高人造智能的足够抽象度，以期在人工通用智能领域迈出更大的步伐。

May, 2022

通过设计一种名为 SmartControl 的新型 T2I 生成方法，我们解决了现有 T2I 生成模型中存在的问题，该方法通过放松与文本提示冲突的区域的视觉条件，从而调整图像的粗略视觉条件，使之与文本提示相适应，并在四种典型的视觉条件类型上充分验证了我们的 SmartControl 的有效性。

Apr, 2024

本文介绍了一种名为 Coin3D 的新型可控交互式 3D 资产建模框架，该框架允许用户利用从基本形状组装而成的粗粒度几何代理控制 3D 生成，并引入交互式生成工作流，以支持在几秒钟内快速交互编辑本地部分，并提供快速响应的 3D 对象预览。通过对不同形状代理进行交互生成和编辑的广泛实验，证明了我们的方法在 3D 资产生成任务中具有优越的可控性和灵活性。

May, 2024