1.AutoEncoder
AutoEncoder（自编码器）是一种无监督学习的神经网络模型，用于学习有效的数据表示。它的目标是将输入数据编码成一种潜在的、紧凑的表示形式，然后从这个表示中重构原始输入。自编码器由两部分组成：编码器（Encoder）和解码器（Decoder）。
编码器（Encoder）： 将输入数据映射到潜在表示空间。这一映射过程通常通过神经网络的前半部分完成，其中隐藏层的输出作为编码后的表示。
解码器（Decoder）： 将潜在表示映射回原始数据空间。这一映射过程通常通过神经网络的后半部分完成，其中隐藏层的输出作为解码后的表示。
自编码器在训练时学习如何压缩输入信息，并在解码时尽量还原原始输入。潜在表示的维度通常比输入的维度小，这迫使模型学习数据的主要特征，从而实现数据的降维和提取关键特征。
2.
- CVPR_High-Resolution Resolution Diffusion Synthesis Latentcvpr_high-resolution resolution diffusion synthesis cvpr_high-resolution diffusion latent model diffusion synthesis models论文 super-resolution continuous resolution diffusion high-resolution resolution improving diffusion diffusion过程latent model latent synthesis 文献process笔记latent