本篇文章介绍了基于概率生成对抗网络 (PGAN) 的新型 GAN 变体， 它将概率模型 (在本例中是高斯混合模型) 整合到 GAN 框架中，从而支持一种新的损失函数，并提供一种有意义的衡量网络生成输出质量的方法，实验证明 MNIST 数据集的 PGAN 能够生成逼真的图像并计算出与生成图像质量相关的似然度，同时 PGAN 在处理 GAN 训练过程中通常存在的稳定性问题方面具有更好的性能。

Aug, 2017

提出了一种新颖的生成自编码器网络模型，能够高质量、高分辨率地学习编码和重建图像，并支持从编码器的潜在空间进行平滑的随机采样。

Jul, 2018

本文介绍了一种新的基于 Plug-and-Play 的图像重建方法 Generative Plug-and-Play (GPnP)，其通过使用扩展的先验模型和物理模型来进行样本采样，实验结果表明该方法在稀疏插值和层析重建方面具有鲁棒性和实用性。

Jun, 2023

本论文介绍了一种基于视觉提示学习的模型适应方法，提出了 Prompt Generation Network (PGN) 网络，通过从端到端学习的词汇表中采样生成高性能、与输入相关的提示，从而使得预先训练的模型更适应不同的数据集。实验表明，PGN 在 12 个数据集上均优于以前的方法，并且在 5 个数据集上甚至优于全微调，而只需要 100 倍以下的参数。

Oct, 2022

本文提出了一种可行的指导框架，称为实用插播（PPAP），该框架利用参数高效的微调和不需要标记的数据传输来利用多个专家，每个专家都专门针对特定噪音范围并指导扩散的反转过程。通过图像类别有条件的生成实验，证明了该方法可以成功地引导扩散，且小可训练参数和没有标记的数据。最后，通过我们的框架，我们展示了图像分类器，深度估计器和语义分割模型可以以插播的方式指导公开可用的 GLIDE。

Dec, 2022

本文介绍了一种新颖的生成模型 —— 条件生成对抗网络，可以通过给生成器和判别器同时提供我们希望对条件进行的数据 y 来构建。本文展示了这个模型可以根据类别标签生成 MNIST 数字，并提供了一个多模态的模型应用示例，演示了如何生成不属于训练标签的描述性标签。

Nov, 2014

该研究提出了一种生成参数模型，能够在 Laplacian 金字塔框架内使用级联卷积网络，生成高质量、逐步细化的自然图像，并使用 GAN 方法进行训练，使得该模型生成的 CIFAR10 样本在人类评估者的定量评估中被误认为是真实图像的概率高达约 40％。

Jun, 2015

提出了一种名为 Graphical Generative Adversarial Networks（Graphical-GAN）的模型，结合了贝叶斯网络和生成性对抗网络的能力来建模结构化数据。引入了一个结构化的识别模型来推断给定观测值的潜在变量的后验分布，并将期望传播（EP）算法广义化，以同时学习生成模型和识别模型。最后，提出了两个 Graphical-GAN 的重要实例，即高斯混合 GAN（GMGAN）和状态空间 GAN（SSGAN），可分别成功学习视觉数据集的离散和时间结构。

Apr, 2018

通过将 Compositional Pattern Producing Networks 与 GAN 结合，定义 latent vectors 为一种以组织 level segment 的方式生成完整游戏级别的方法，并通过 MAP-Elites 进行验证。

Apr, 2020

本文提出了 UGPNet，这是一个通用图像修复框架，通过采用现有的回归模型和生成模型的组合，有效地实现了回归和生成方法的优点，能够成功地实现高保真图像修复。

Dec, 2023