本文提出了一种基于变分自编码器和神经自回归模型的方法来学习全局表示，通过控制全局潜在特征并去除无关信息，提高生成建模性能。实现了MNIST、OMNIGLOT和Caltech-101 Silhouettes密度估计任务的最先进结果。

研究人员提出了一种新的极坐标三维物体检测器PARTNER，通过全局表示重新对齐缓解特征失真问题，并引入实例级几何信息来促进回归。实验证明，该方法在基于流的检测和不同分辨率方面具有优势，并在Waymo和ONCE验证集上相对于先前的极坐标方法取得了显著优势。