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VariShaPE架构，解决3D人体分析中的潜在空间表征问题，并引入MoGeN框架，通过提升姿态参数的空间维度来学习潜在空间的几何形状，从而低成本地执行运动插值和形状生成等任务。

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。

噪声扩散模型（DDMs）在语音合成中的应用日益增多，音频质量优异但语义能力尚不明确。研究表明，DDM的潜在空间蕴含丰富的语义信息，提出了一种新方法进行音频编辑，无需额外训练或架构调整。

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%。

该研究提出了一种利用潜在空间中的扩散进行建模的新型医学图像分割方法，实现了准确的多维图像分割。实验结果表明，该方法在医学图像数据集上取得了最先进的分割准确度，并且对噪声更加稳健，有助于解决医学图像领域的域偏移问题。

本文研究了机器人操纵器之间的控制策略转移，通过将机器人的状态和动作空间投影到共同的潜在空间，实现了跨机器人的策略转移。使用编码器、解码器和潜在空间控制策略进行训练，重构原始状态和动作。通过生成对抗训练，在目标领域中展示了策略转移的效果。