本研究提出了一种新型神经编解码器WaLLoC，旨在提高压缩学习的效率。WaLLoC结合线性变换编码与非线性降维自动编码器，显著增强高频细节的保留能力，并在多种任务中展现出优异性能，具有广泛的应用潜力。

本研究提出了一种新方法，结合意图分类与超出范围检测，解决虚拟助手系统中的超出范围查询拒绝问题。该方法通过结合交叉熵损失与自动编码器学习的嵌入重构损失，提高了拒绝超出样本的准确度，同时保持了意图分类性能。

本文探讨了基于自动编码器的深度生成模型在医学成像异常检测中的应用，强调其在数据生成和医学图像分析中的潜力。研究表明，生成模型能有效提升医学图像分割和分类的性能，尤其在数据稀缺的情况下表现突出。

本文提出了一种无需手动标注的图像表示学习方法，通过解离图像属性实现特征独立性，适用于分类和检索。采用自动编码器架构，结合不变性和分类目标，确保特征块的稳定性。实验结果表明，该方法在多个数据集上有效提升了图像生成的准确性和多样性。

本文介绍了一种新颖的3D-RecGAN方法，利用生成对抗网络从单视角重建三维结构，显著优于现有技术。该方法结合自动编码器和条件生成对抗网络，能够重建未见过的物体类型，并在多视角一致性和图像质量上取得突破，适用于3D内容生成和图像属性编辑。

本文探讨了基于深度学习的Koopman算子在非线性动力学系统建模中的应用，提出了改进的自动编码器模型和新的预测框架，显著提高了多声部音乐转录和动力系统预测的准确性，展示了数据驱动方法和状态空间模型的有效性。

该方法使用预训练的自动编码器、隐式扩散模型和隐式神经解码器实现图像超分辨率和生成新图像。实验结果显示，该方法具有高质量、多样性和尺度一致性，并且在推理速度和内存使用方面优于其他技术。

本文提出了三个超参数自由、计算可行的替补问题，针对边际公平性分割瓦瑟斯坦重心问题，并通过引入新的分割分布改进了效率。实验结果表明，所提出的替代问题在分割瓦瑟斯坦自动编码器训练中具有有利性能。

该方法使用预训练的自动编码器、隐式扩散模型和隐式神经解码器实现图像超分辨率和生成新图像。实验结果显示，该方法具有高质量、多样性和尺度一致性，并且在推理速度和内存使用方面优于相关技术。

该研究使用基于自动编码器的新型损失函数方法对时间序列数据中的变点进行检测，并提出了匹配滤波器和新的变点分数结合的后处理程序，以解决误检报的问题。实验结果表明，该方法在各种模拟和真实数据集中具有更高的性能。

本文提出了一种基于自动编码器的新型非局部注意力优化深度图像压缩（NLAIC）框架，通过嵌入非局部操作捕捉局部和全局关联，并应用注意机制生成用于加权图像和超先验特征的掩码。该模型在性能上优于现有的图像压缩方法，包括基于学习和传统的方法。

本文比较了七种减噪方法，发现使用深度学习方法的自动编码器在降噪超声图像方面更为有效。

本文提出使用对抗网络解决自然语言处理中的样式转移问题，并提出新的评估指标。作者在两个任务上评估了模型和指标，结果表明所提出的模型的样式转移强度和内容保留得分比自动编码器更高。

本文介绍了基于动态模态分解算法的扩展版本GraphDMD和基于自动编码器的深度学习模型DeepGraphDMD。作者通过模拟和实验结果验证了DeepGraphDMD方法的有效性，并发现了与智力相关的重要网络模态，为认知脑功能提供了新的见解。

该文介绍了一种以文本作为跨模态接口的方法，通过自动编码器将图像转换为文本，并通过固定的文本到图像扩散解码器进行重构，称为De-Diffusion。

该文介绍了一种以文本作为跨模态接口的方法，利用自动编码器将图像转换为文本，并通过固定的文本到图像扩散解码器进行重构，称为 De-Diffusion。实验证实了该方法的精确性和综合性，可用于多样化的多模态任务。

该研究提出了一种新的医学异常检测模型beta-VAEGAN，结合了自动编码器和生成对抗网络，通过训练核支持向量机和考虑非线性关系，改进了异常检测性能，并提出了一种新的异常得分组成元素。在MITBIH心脏节律失常数据库上，该模型将异常检测的F1得分从0.85提高到了0.92，优于现有最先进方法。