本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

Oct, 2017

本文介绍了一种新颖的网络训练方法和学习目标，采用深度生成对抗网络以及新的相似度度量方法，用于发现图片中的多个对象实例、弱监督对象检测及排名 GAN，以实现对应用的提高和优化。

Nov, 2017

本文介绍了一种新方法，使用条件生成对抗网络（GAN）通过信息传递学习卷积神经网络（CNN）的图像处理和预测，同时解决了如何将信息传递到 GAN 的挑战和如何有效地训练 GAN 的问题，该方法通过中间层的平均交互地图来表达 CNN 的结构，通过两种交互方案的对比得出了 GAN 可有效解释 CNN 从而提高图像处理的实现效率。

Jan, 2023

该研究提出使用生成对抗网络（GAN）来 “合成” 零样本类别的 CNN（卷积神经网络）特征，从而应对通用零样本学习任务中已有的数据不平衡问题。实验结果表明，该方法在多个数据集上的表现均显著优于现有方法。

Dec, 2017

一篇最近的研究表明，在学习成功分类的时间序列数据的分层表示方面，监督卷积神经网络（CNNs）具有优势。然而，这些方法需要足够大规模的标记数据进行稳定学习，然而获取高质量的标记时间序列数据可能是昂贵且难以实现的。因此，本文引入了一种时间序列卷积生成对抗网络（TCGAN），通过在没有标记信息的情况下，让两个一维 CNN（即生成器和判别器）进行对抗性博弈来学习。TCGAN 在合成和真实数据集上进行了广泛的实验证明其比现有时间序列生成对抗网络更快且更准确，其学习到的表示使得简单的分类和聚类方法能够达到优越且稳定的性能，在少标记和不平衡标记的场景下仍保持高效性。本研究为有效利用丰富的无标记时间序列数据提供了一条有希望的途径。

Sep, 2023

本论文提出一种基于生成对抗网络的动作识别框架，使用大规模视频活动数据集上的深度卷积生成对抗网络（DCGAN）进行无监督学习，然后通过有标签数据集对已训练的鉴别器进行微调，实现准确识别人类活动的半监督学习。其中本文找到了好的网络架构和超参数以最大化鉴别器的效果。这种只使用外观信息的半监督学习方法达到了目前半监督动作识别方法，如 UCF101 和 HMDB51 等，的优劣表现。

Jan, 2018

使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

Aug, 2019

本文提出了一种从未标记或部分标记的数据中学习判别分类器的方法，该方法基于一种目标函数，该函数在观察到的示例和它们预测的分类分布之间进行互信息交换，并对分类器抵抗对抗性生成模型的鲁棒性进行了权衡。我们实证评估了我们的方法 - 我们将其命名为分类生成对抗网络（或 CatGAN）- 在合成数据以及具有挑战性的图像分类任务上，展示了所学习分类器的鲁棒性。此外，我们定性地评估了由随着判别器学习的对抗性生成器生成的样本的保真度，并确定了 CatGAN 目标和判别聚类算法（如 RIM）之间的联系。

Nov, 2015

本文探讨了使用生成对抗网络 (GAN) 合成高度逼真图像的优化问题，针对当下模型存在的问题，提出了一种修改规则和设计模型的方法。实验表明，我们的方法可以更有效地训练 GAN 模型，并以 3D 物体投影问题为例进行了验证。

May, 2017

该研究提出了一种名为 RenderGAN 的框架，该框架使用 3D 模型和生成对抗网络来生成计算机视觉任务中需要的大量现实且标记的图像，可用于深度卷积神经网络的训练，使其性能显著提高。

Nov, 2016