该论文提出了一种新的方法，将数据集提炼的过程从传统的像素空间转移到潜变空间，以提高性能并降低时间和空间开销。通过使用预训练的通用自动编码器对潜变空间中的潜变编码进行编码，解决了高时间复杂度、高空间复杂度和低信息紧凑性的问题。

通过在潜变空间中降级样本并从其受损版本中恢复，我们的方法通过增强标签的方式引导样本扩充过程，解决深度学习模型在新的、未知领域中推广的挑战，促进多样的类内/跨域变异性，并在潜变空间扩充中呈现更显著的改善，展示了构建更具普适性的模型中的灵活性。