本研究探讨了多模态蛋白质语言模型在三维结构离散化中的信息损失问题，提出了改进的生成建模和结构感知架构，显著提升了结构生成的多样性和蛋白质折叠能力，推动了大规模模型的结构建模进展。

本研究提出了统一框架Aether，旨在解决几何重建与生成建模的挑战。Aether通过联合优化实现几何感知推理，能够在没有真实数据的情况下进行零样本泛化，其重建性能超越领域特定模型，展现出在物理建模中的潜力。

本研究提出了Sorcen框架，旨在解决表征学习与生成建模的统一问题。通过引入新型协同对比重建目标“回声对比”，消除了对额外图像裁剪的需求。实验结果表明，Sorcen在多个指标上超越了以往方法，效率提升达60.8%。

本研究提出了一种新框架——力匹配（ForM），通过引入洛伦兹因子和速度约束，增强了生成建模的稳定性和控制性。实验结果表明，该框架在多个数据集上表现优异，具有高维生成建模的应用潜力。

本文提出了一种新方法——静电场匹配（EFM），旨在解决生成建模和分布转移问题。该方法借鉴电容器原理，通过神经网络学习静电场，实现高效的分布映射。实验结果表明，该方法在玩具和图像数据上表现良好，具有潜在的影响力。

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%。

本文提出了一种名为TarFlow的架构，旨在解决归一化流在生成建模中的不足。TarFlow在图像生成和密度估计任务中表现优异，其样本生成质量和多样性与扩散模型相当。

该研究全面回顾了流匹配框架及其数学基础，填补了学习资源的不足。文章整合了设计选择和扩展，并提供了PyTorch包，方便研究者应用。结果表明，流匹配在生成建模中具有强大潜力，适用于图像、视频和音频等领域。

本研究提出了一种在小波域进行多尺度生成建模的方法，有效解决了传统空间域生成模型中的分数病态问题，显著提升了性能，并减少了可训练参数和时间。

本研究提出条件生成对抗网络（cGAN），旨在解决传统GAN在生成内容时缺乏精确控制的问题。通过比较不同的条件化方法，揭示其特点和性能，为未来的生成建模研究提供指导。

本研究探讨核方法与PDE梯度流的关系，解决生成建模和采样中的开放性问题，提供理论框架，并揭示其在机器学习中的应用潜力。

本文探讨了修正流模型在生成建模和域迁移中的应用，强调其在图像生成和翻译方面的优越性能。研究提出了定制ODE求解器和FlowTurbo框架等新方法，以提高生成质量和采样效率，并降低训练成本。

本研究提出局部流匹配方法，提高生成建模效率。通过学习流匹配子模型，LFM适应数据到噪声的扩散过程。结果显示，LFM在训练效率和生成性能上优于传统方法，特别是在无条件生成表格和图像数据集方面表现突出。

该论文介绍了SketchGraphs数据集及其在几何设计中的应用，利用机器学习实现CAD设计的参数化和生成。研究展示了基于生成建模的CAD设计方法，支持自动补全和约束推断。同时，探讨了GPT-4V模型在工程设计中的应用，评估其在复杂设计中的能力与局限性。此外，论文讨论了一个包含140万个程序生成自行车设计的数据集，旨在促进参数化设计与图像之间的交互。

本文探讨了一种基于生成建模的参数化CAD设计方法，利用机器学习实现自动补全和约束推断，支持手绘图像匹配。研究表明，扩散优化模型（DOM）能提高设计性能并降低计算成本。此外，结合深度学习与有限元模块的新方法展示了高成功率的设计生成能力，强调了生成性人工智能在复杂软体机器人系统设计中的潜力。

本文提出了一系列基于Wasserstein距离的新方法，包括Gromov-Wasserstein距离、树切片Wasserstein距离和Distributional Sliced-Wasserstein距离。这些方法在计算效率和准确性上优于传统算法，适用于机器学习和生成建模等领域，展示了广泛的应用潜力。