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。

本文探讨了在安全关键应用中利用马氏距离和非参数方法提高异常检测性能。提出了基于核心自动编码器的异常检测、Bayesian聚类算法及非参数回归算法等新颖模型，旨在有效捕捉异常值并优化数据处理。通过模拟研究和实际数据分析，验证了这些方法的优越性和计算效率。

本文介绍了多种基于深度生成学习的城市布局生成方法，包括图注意力网络、生成对抗网络和自动编码器等。这些方法能够生成逼真的城市布局，支持不同建筑形状，并在城市规划和数字模拟等领域具有广泛应用前景。

本文提出了一种基于自动编码器的新方法，通过生成接近真实数据的数据集，改善深度神经网络的性能，解决过度自信问题。该方法在时间序列和MNIST数据集上取得成功，并验证了其在自动驾驶轨迹预测中的有效性。

本文提出了一种自动编码器架构（WLSC），通过二分图的拉普拉斯二次形式实现谱聚类，生成多样的人工感受野，展示了对特定刺激类别的早期专门化。研究强调感受野和放电率的空间正则化在特征分离中的重要性，并探讨了深度学习中的预测编码网络及其在机器学习和神经科学中的应用。

本研究结合自动编码器与生成对抗网络，提出了一种新方法以降低空气动力学预测的时间与成本。通过图卷积自编码器和深度学习技术，实现了对复杂流体动力学问题的高效建模与降维，展现出良好的泛化能力和计算效率。

本文探讨了基于深度学习的Koopman算子在非线性动力学系统中的应用，提出了改进的自动编码器模型和图神经网络等多种方法，以提高系统识别和预测的准确性。研究表明，这些方法在处理动态系统时具有更高的效率和泛化能力。

本文提出了一种基于扩散模型的异常检测框架DiAD，适用于多类异常检测，结合了自动编码器和语义引导网络。实验证明其在MVTec-AD数据集上表现优异，AUROC/AP分别达到96.8和52.6。同时推出了一个包含15万张图片的真实世界工业异常检测数据集Real-IAD，具有更高的挑战性。研究还探讨了多模态异常检测，提出了新框架和层裁剪技术，以提升检测性能和效率。

该研究提出了一种基于几何的超分辨率方法，以提高点云几何压缩效率。通过构建分层先验，实现了更准确的编码和解码，减少了位数消耗。同时，研究介绍了多尺度自动编码器和基于神经网络的压缩方法，显著提升了压缩率和视觉效果。此外，提出的新点云质量评估方法优于现有技术。

本文介绍了多种基于深度学习的点云几何压缩方法，如卷积变换、均匀量化和多尺度自动编码器。这些方法在压缩率和重建质量上表现优异，有效处理点云数据，节省存储空间并提升视觉效果。

该论文提出了一种新方法，通过预训练的自动编码器和生成扩散技术，优化数据集精炼，显著降低时间和空间开销，提高性能和准确率，并在多个数据集上验证了效果。

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。