本研究提出了一种变分前缀调优（VPT）方法，旨在解决代码摘要生成中对多样性和替代选项的忽视。该方法基于条件变分自编码器框架，增强了预训练模型生成多样且精确摘要的能力，使用户能够选择最合适的摘要，并在参数效率上优于传统方法。

本研究提出了一种名为上下文元LoRA（ICM-LoRA）的方法，旨在提高低秩适应（LoRA）在多任务场景中的效率，通过条件变分自编码器生成任务特定的LoRA权重，从而提升准确性并减少存储需求。

本文提出了一种基于条件变分自编码器（CVAE）的模型，用于过程挖掘中的痕迹生成。该模型通过调整输入条件，实现对生成过程的控制，能够生成特定子过程的痕迹。研究表明，该方法在生成可控性和质量评估方面具有显著优势，有助于深入探索特定行为和稀有模式。

本研究提出了一种基于条件变分自编码器（CVAE）的波表合成音色控制方法，用户可以通过语义标签实时定义和调节音色，提升了调节的直观性。

本文介绍了多种基于深度学习的方法来提高正电子发射断层扫描（PET）成像质量，包括生成对抗网络、条件变分自编码器和多模态条件对抗扩散模型。这些方法通过优化低剂量数据处理，改善图像质量和临床可靠性，降低辐射风险，展现了在PET成像中的应用潜力。

本文介绍了一种基于条件变分自编码器的EEG2Vec框架，用于情绪状态预测和合成EEG数据。研究表明，该模型在无监督EEG建模中有效分类正面、中性和负面情感。还探讨了可解释AI方法、CNN-LSTM混合模型及图神经网络在情感识别中的应用，提升了分类准确性，并提出了未来研究方向。

本文介绍了一种新的3D点云质量评估方法，利用条件变分自编码器建模主观评分的随机性，实验结果表明该方法在不同数据集上表现优异，超越了先前技术。此外，研究探讨了基于LiDAR的多模态视觉定位和语义分割技术，提升了自动驾驶系统的检测准确性和效率。

本文提出了一种新型的条件变分自编码器（VAE）架构，旨在解决无人驾驶中的预测问题。该模型结合多模态和上下文驱动特性，能够准确预测道路情况，并在合成数据集上表现优异。此外，研究还介绍了因果延迟变分自编码器（CR-VAE）和变分循环自编码器（VRAE），用于处理时间序列数据，优化模型学习过程，提升预测准确性。

本文介绍了双重语义视觉变换器模块（DSVTM），通过建立属性原型与视觉特征的对应关系，构建了逐步的语义-视觉相互适应网络（PSVMA），从而提高了语义消歧和知识可转移性，表现优于现有方法。此外，研究提出了多种零样本学习算法，利用生成对抗网络（GAN）和条件变分自编码器（VAE）等技术，显著提升了分类性能。

本文介绍了使用条件变分自编码器生成和披挂3D服装的方法。通过金字塔网络逐步添加服装细节，并在表面法线UV贴图上进行网络条件化，结果表明模型具有鲁棒性和可控性，能够实现最先进的结果。即使使用少量数据进行训练，也能高度概括到未见过的服装、姿势和形状。

该文介绍了一种名为HuMoR的3D人体运动模型，可以鲁棒地估计时间姿态和形状。该模型是一个条件变分自编码器生成模型，可以学习运动序列每一步姿态变化的分布。经过评估，证明该模型可以推广到多样化的动作和身体形状，并且可以从多种输入模态重建运动。

本论文介绍了一种基于条件变分自编码器的双向多模态轨迹预测方法BiTraP，通过目标条件化和双向编/解码器结构提高了长期轨迹预测准确性。研究发现，CVAE中的目标模型对多模态轨迹分布有直接影响，为机器人应用的轨迹预测器设计提供了指导。