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。

本文研究了自编码器的潜在空间属性，并提出了两种获得期望拓扑结构的方法。研究发现，利用几何损失项直接作用于潜在空间的损失配置方法可以可靠地获得期望的配置。此外，实验证明了预配置的潜在空间相似性估计的优势。