本文利用大量未标注或弱标注的数据和生成式对抗网络作为背景，提出了一种半监督框架实现语义分割，其中利用推理出的大量虚假图片来强化真实数据的特征聚类；同时，通过提供分类级别信息，提高 GAN 生成图像的质量，进而改善了像素分类，该方法经过在几个挑战性的基准视觉数据集上测试，表现与当前的最先进语义分割方法相当。

Mar, 2017

本文提出了一种基于生成对抗网络（GAN）框架的图像修复方法，该方法利用全局 GAN（G-GAN）架构和 PatchGAN 方法结合进行鉴别器网络的构建，可较好地实现图像贴图的局部连续性和全局特征。经大量评估发现，与最新的现有技术相比，该框架在视觉和数量评估方面均取得了显著的改进。

Mar, 2018

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

本研究提出了一种采用对抗网络的半监督语义分割方法，通过设计全卷积判别器，辅以标准交叉熵损失，实现对未标记图像的信任区域的发现，提高了分割准确性。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验证明了该算法的有效性。

Feb, 2018

本研究提出了两种用于图像外推的方法，即使用上下文编码器和单图像生成模型，并演示了 GAN 在产生合理的外推结果方面的潜在能力。通过将幻想的细节与原始图像的风格相融合，以期进一步提高结果的质量，并可能支持任意输出分辨率。

Dec, 2019

本文提出了一种利用扩张卷积密集组合，通过设计自主回归损失、几何对齐约束项和具有局部和全局分支的判别器等方法改进图像修复的 GAN 模型。实验表明，该方法在多个公共数据集上都优于现有的最先进方法。

Feb, 2020

本论文提出一个创新的框架，利用半监督学习，生成对图像和标签的联合分布进行判别像素级任务，并通过少量标签图像和大量无标签图像的补充进行训练，该方法在医学图像分割和面部分割领域表现出强大的领域内性能，并展示了从 CT 到 MRI 等领域之外的广泛有效性。

Apr, 2021

本文提出了一种新的对抗训练框架来完成带有分割混淆对抗训练（SCAT）和对比学习的图像修复任务。通过将 SCAT 与标准全局对抗训练相结合，该框架同时具有以下三个优点：修复图像的全局一致性、局部细节特征以及处理任意形状的缺陷。此外，我们还提出了纹理和语义对比学习的损失函数来稳定并改进我们的修复模型的训练，更好地指导修复图像从受损的图像数据点移到真实图像数据点。在两个基准数据集上的广泛实验表明，我们的模型在定性和定量上都具有良好的效果和优越性。

Mar, 2023

使用语义条件生成对抗网络（GAN）进行序列修复，以在维护图像手势和场景语义的同时实现修复一致性和正确性，产生更具吸引力的图像。

Nov, 2017

本文介绍了一种基于生成对抗网络 (GAN) 的语义条件方法，可在图像扩展、全景图像生成等领域中取得强大的成果。

Aug, 2019