#变分自编码器
RAVE
RAVE是一个高效的变分自动编码器，专为快速高质量的神经音频合成设计。支持Windows、Mac和Linux平台的RAVE VST版本，可应用于音乐表演和装置。提供详细教程和多种训练配置，包括数据增广选项。用户可以在Max/MSP或PureData中实时使用RAVE进行风格迁移和高层次操控。多个预训练模型可供下载，支持批量音频文件转换和实时嵌入式平台应用。
PyTorch-VAE
PyTorch-VAE项目实现了多种变分自编码器（VAE），专注于结果的可重复性，包括从Vanilla VAE到VQ-VAE的众多模型。所有模型都在CelebA数据集上训练，确保一致的对比结果。代码简洁易用，支持PyTorch和PyTorch Lightning，适合研究人员和开发者快速构建、调试和优化VAE模型。
vits
VITS是一种结合变分自编码器和对抗学习的端到端TTS系统，能够提升语音合成的自然度。通过变分推理和正态化流，以及随机时长预测器，VITS实现了多样节奏的语音合成。实验结果表明，该方法在LJ Speech数据集上的表现优于现有的TTS系统，接近真实语音的水平。
Autonomous-Driving-in-Carla-using-Deep-Reinforcement-Learning
该项目在CARLA仿真环境中，使用深度强化学习方法进行自动驾驶训练。通过结合PPO算法和变分自编码器（VAE），加速学习并提高驾驶决策能力。项目采用Python和PyTorch构建，重点在于自动驾驶和障碍物回避的持续学习。对于推动自动驾驶技术和决策效率研究具有显著意义。
benchmark_VAE
pythae库实现多种常见的变分自编码器模型，提供相同自编码神经网络架构下的基准实验和比较。用户可以用自己的数据和编码器、解码器网络训练这些模型，并集成wandb、mlflow和comet-ml等实验监控工具。最新版本支持PyTorch DDP分布式训练，提高训练速度和处理大数据集的能力。支持从HuggingFace Hub进行模型共享和加载，代码简洁高效。涵盖多种已实现模型和采样器，满足不同研究需求。