本研究提出了一种潜在空间向后规划方案（LBP），显著提升了机器人实时控制的效率与准确性。实验结果表明，LBP在长时间行为任务中优于传统方法，达成了领先性能。

本研究提出了ProtFlow框架，旨在解决蛋白质序列设计中的功能不足和效率低下问题。通过压缩和光滑潜在空间，ProtFlow显著提高了生成效率和质量，实验结果表明其在多种设计任务中优于传统方法，具有广泛的应用潜力。

本研究提出了Concept Lancet（CoLan）框架，解决了图像编辑中的视觉一致性问题。通过在潜在空间中分解源输入，CoLan量化编辑需求，提升了编辑方向的定制化，实验结果表明其在多项任务中表现优异。

本研究提出了一种基于几何映射的潜在空间表示，解决了跨域生成模型中的域对齐问题，有效避免了模式崩溃和混合。实验结果表明，GMapLatent在图像生成方面优于现有模型。

本研究提出了一种新方法LaM-SLidE，结合图神经网络的可追溯性与图像、视频生成的高效性，旨在解决动态系统潜在空间建模的复杂性。研究表明，LaM-SLidE在速度、准确性和可推广性方面表现优异，具有重要的应用潜力。

该研究提出了一种利用奇异值分解探索扩散模型潜在空间的新方法，识别出三个关键属性以控制生成结果，并基于此开发了新颖的图像编辑框架，展现出显著的效果和应用潜力。

本研究提出了一种新方法，通过将生成建模任务转化为潜在空间中的分类任务，增强深度神经网络在对抗性扰动下的鲁棒性。实验结果显示，该模型在多个数据集上表现优异，尤其在大扰动情况下，验证准确度提高了5.3%。

本研究提出了一种新方法，通过在潜在空间中使用学习的退化函数，减少自编码器的依赖，从而提高图像恢复的速度和质量。实验结果表明，该方法在多个任务中优于现有技术。

本研究提出了一种新方法，通过潜在空间遍历生成图形分类模型的高质量反事实解释。该方法结合了离散图结构与连续图属性，实验结果在三个数据集上表现优异，且具有强鲁棒性。

本研究提出了一种新的3D生成框架，解决了输入格式、潜在空间设计和输出表示的挑战，利用变分自编码器实现高质量的3D生成，并支持多模态条件生成。实验结果表明，该方法优于现有技术。

本研究提出了一种新方法SimVQ，旨在解决向量量化模型中潜在空间表示崩溃的问题，并优化线性空间。实验结果表明，该方法在多种模态下表现优异。

本研究改进了自回归模型用于图像生成，强调潜在空间的稳定性。通过引入高效的离散图像标记器，提升了图像生成能力，超越了LDM的表现。

研究提出了一种新的条件潜在空间变分自编码器（CL-VAE），用于改善异常检测。通过条件化数据内部信息，提高潜在空间的分离能力，并结合不同VAE模型提升检测准确性。在MNIST数据集上的AUC达到97.4%。

本文介绍了InterFaceGAN框架，旨在解析生成对抗网络（GAN）在面部编辑中的语义。研究表明，GAN的潜在空间可以实现精确的面部特征控制，并生成高保真图像。通过优化潜在空间和引入新编辑方法，提升了图像生成的质量和可控性，实验结果显示该方法能够有效编辑多种属性，同时保持图像的真实感。

本文介绍了基于扩散模型的图像编辑框架DragDiffusion，优化潜在空间以实现精确控制。研究了物体移动、缩放和外观替换等多种编辑方法，并提出了Custom-Edit和RotationDrag等新方法，利用文本嵌入和特征映射提升编辑效果，同时开发了基于提示生成的框架，改善用户交互体验。

本文介绍了一种基于生成自编码器的可控文本生成方法，提出了改进的自动编码器DAAE，提升了潜在空间的几何性，实现全零文本风格转换。研究还探讨了去噪和正则化的对抗性自编码器、对比学习与深度生成模型的结合，以及无监督辅助学习模型的应用，均在分类和生成任务中取得显著效果。