本文提出了一种基于显著性图引导的生成对抗网络 (SCGAN) 框架，用于对灰度图进行自动上色。该方法采用预训练的 VGG-16-Gray 网络的全局特征，通过颜色编码器将其嵌入到颜色化中，可以用较少的数据训练，达到感知上合理的效果。两个分层鉴别器的使用进一步增强了视觉感知性能。在 ImageNet 验证集上，实验结果表明，SCGAN 可以生成比现有技术更合理的上色图像。

Nov, 2020

本文介绍了一种基于自注意力机制的生成对抗网络（SAGAN），它能够在图像生成任务中实现关注驱动的远距离依赖关系建模，并通过对 GAN 生成器实施谱归一化技术，取得了对图像生成任务来说最好的表现。

May, 2018

介绍 PathGAN，一种利用对抗训练方法进行视觉扫描路径预测的深度神经网络模型。该模型由生成器和判别器两部分构成，通过提取图像特征从而训练循环层以生成或辨别视觉扫描路径。实验证明，PathGAN 明显优于现有的扫描路径预测模型。

Sep, 2018

本文提出一种使用二进制生成对抗网络（BGAN）进行无监督学习的图片编码方法，通过限制噪声变量为二进制并使用新的标志激活策略和损失函数，在不松弛约束条件下生成二进制编码，并提高了图像检索的准确性，相较于现有的哈希方法，我们的方法在标准数据集上的表现提高了 107%。

Aug, 2017

本研究探讨了一种名为 SGAN 的备选训练方法，通过该方法，多个对抗的 “本地” 网络对可独立进行训练，以便 “全局” 监督网络可以针对它们进行训练，以提高模式覆盖性能。实验结果表明，该方法在减轻模式崩溃、稳定收敛和加速收敛方面都表现出优于标准训练的性能。

Dec, 2017

提出了一种新的自我对抗学习（SAL）范式，通过使用相对鉴别器作为 GAN 的鉴别器，并引入自我改进奖励机制，成功地解决了 GAN 在生成文本方面的奖励稀疏性和模式崩溃问题，并在文本生成基准数据集上取得了更高质量和更稳定的性能表现。

Jan, 2020

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

本文提出了基于注意力机制的生成对抗网络 AGGAN，在生成图像时使用内置的注意力机制检测最具有辨别性的语义部分并最小化不需要的部分的变化，训练过程中同时考虑对抗损失、循环一致性损失、像素损失和注意力损失，实验表明 AGGAN 比现有模型能够生成更加清晰和准确的图像。

Mar, 2019

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

提出一个基于对抗生成网络的新模型 RegGAN，该模型可以在生成样本的同时训练三个网络 —— 一个生成器和两个判别器，以便从与训练集概率分布不同的概率分布中生成样本，并可用于学习拓扑学中的某些先验概念。

Feb, 2021