将生成对抗网络扩展到半监督学习中，强制鉴别器网络输出类标签，能够创建更具数据效率的分类器以及比正常GAN生成更高质量的样本。

Jun, 2016

本论文介绍了一种基于对抗损失的图像修复半监督学习方法，通过生成器填充图像中的孔洞，再用鉴别器判断图像的真实性，以实现对鉴别器的有监督训练，并在STL-10和PASCAL数据集上表现出与现有方法相当甚至更好的性能。

Nov, 2016

本文系统研究了当前使用类别标签的生成对抗网络GANs以及相关的分类信息对GAN网络的训练和生成效果的影响，并提出了一种新的基于激活最大化的AM-GAN生成对抗网络方案，在CIFAR-10数据集上实现了8.91的state-of-the-art Inception得分，并提出AM得分评价指标以更准确地评估生成样本质量。

Mar, 2017

提出了一种新的半监督生成对抗网络模型(SS-GAN)，通过适应GAN框架，使用一对堆叠的鉴别器来学习数据的边际分布和数据属性的条件分布，特别针对半监督学习，通过有标记和无标记数据学习数据的边际分布并通过有标记数据纯粹地学习属性的条件分布，实验证明该模型相较于已有的半监督条件GAN模型具有更好的性能。

Aug, 2017

该论文提出了一种基于两个独立潜变量的结构化生成式对抗网络，通过两个博弈过程最小化y和z的重构误差，并且提高了半监督条件下的图像分类精度以及图像生成质量。

Nov, 2017

本文提出了一种基于条件生成对抗网络的图像描述框架，添加了“辨别器”网络去逐步判断生成的描述是人类描述还是机器生成的，该算法是通用的，能够提高任何现有的基于RL的图像描述框架，实验表明，这种方法在不同的语言评估指标上有一致的改进。

May, 2018

本研究提出了一种新的方法，改进了生成对抗网络（GANs）训练的能力，可以根据文本输入合成多样的图像，这种方法基于条件版本的GANs，扩展了前人利用判别器中的辅助任务，通过负样本采样来构造积极和消极的训练样例，通过牛津102花卉数据集的实验结果表明，生成的图像更具多样性，特别是当负样本逐渐靠近语义空间中的积极样本时。

Dec, 2018

该论文提出了一种基于标签空间的图像增强，新颖的自我监督学习方法，用于半监督条件生成网络，通过将少量有标签的示例中的标签赋给大量无标签的示例，构成训练集并优化辅助匹配损失，实现了对CelebA和RaFD两项挑战性基准测试的有效性评估，表明其优于竞争基线和现有方法。

Jun, 2020

本论文提出了一个双重投影生成对抗网络(P2GAN)模型，学习在数据匹配和标签匹配之间平衡的方法，并通过改善条件生成式对抗网络(cGAN)模型中的配对方法解决了分类困难的问题，实验结果表明其在多个真实数据集上具有良好的效果。

Aug, 2021

该研究介绍了一种新的条件图像生成框架，该框架在训练过程中接受带有噪声标签和未经筛选的无标签数据，采用软课程学习来对付标签噪声和无标签数据，经实验证明该方法在量化和定性性能方面优于现有的半监督和标签噪声鲁棒方法。

Jul, 2023