该论文提出深度卷积生成对抗网络（DCGANs）可以用于无监督学习，通过在各种图像数据集上的训练，证明了 DCGANs 能够学习从物体部分到场景的表示层次结构，并且可以用于一般图像表示。

Nov, 2015

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

介绍了 DatasetGAN 方法，利用 GAN 生成合成数据集，仅需少量标注样本，就能训练出能够与传统无监督方法相匹敌的语义分割模型，并在人脸和汽车语义分割任务上取得了领先的性能。

Apr, 2021

本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

Oct, 2018

本研究提出了一种名为 LGGAN 的有标签图生成对抗网络，用于训练基于节点标签的图结构数据的深度生成模型，并在各种类型的图数据集上进行了测试，其结果表明我们的模型可以生成符合训练数据的结构特征的多样化的标记图，并优于所有另一种方法的质量和普适性。此外，经过下游任务进行的生成图的质量评价，结果表明 LGGAN 可以忠实地捕捉图结构的重要方面。

Jun, 2019

通过增加合成训练数据，使得含有 3D CAD 模型的深度卷积神经网络（DCNN）训练数据可以更好地适应目标领域，本文详细分析了在没有低级线索（纹理，姿态和背景）的情况下 DCNN 的学习能力，并表明我们的合成 DCNN 训练方法在几乎没有真实数据的情况下可以在 PASCAL VOC2007 数据集上获得更好的性能，并且可以在 Office 基准测试中的域偏移场景中提高性能。

Dec, 2014

该研究探讨了在计算机视觉和深度学习领域中，对抗生成网络（GAN）所生成的图像识别与分类中的持续性学习问题，并提出了一种基于增量学习的方法来解决这个问题。通过实验和数据集，该方法的正确性得到了验证。

Oct, 2019

本文利用可微分渲染器提取并分离生成模型中的 3D 知识，将生成对抗网络作为多视图数据生成器，使用现成的可微分渲染器训练逆向图形网络，并将训练好的逆向图形网络作为教师，将 GAN 的潜在向量分离为可解释的 3D 属性。我们的方法在现有数据集上对最先进的逆向图形网络进行定量和用户研究，并显示分离的 GAN 作为可控的 3D “神经渲染器”，补充传统的图形渲染器。

Oct, 2020

本文利用深度学习模型和生成对抗网络技术，在 UV 空间下重建面部纹理，并通过优化参数和预先训练的深度身份特征进行监督来实现高保真和身份保留的 3D 面部重建，同时在高频细节方面实现了面部纹理重建的最高成果

Feb, 2019

本研究介绍一种基于深度卷积生成对抗网络的图像生成方法，能够使用少于两千张图像实现高分辨率（最大 1024x1024 像素）的真实感图像生成，未来可应用于计算机图形学和视觉效果。

May, 2017