本文系统研究了当前使用类别标签的生成对抗网络 GANs 以及相关的分类信息对 GAN 网络的训练和生成效果的影响，并提出了一种新的基于激活最大化的 AM-GAN 生成对抗网络方案，在 CIFAR-10 数据集上实现了 8.91 的 state-of-the-art Inception 得分，并提出 AM 得分评价指标以更准确地评估生成样本质量。

Mar, 2017

本文提出了一种名为 Mixture GAN （MGAN）的新方法，该方法采用多个生成器的混合训练，旨在克服 mode collapsing 问题，通过理论分析得出结论，证明了在平衡状态下，多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小，生成器之间的 Jensen-Shannon 差异最大，从而有效地避免了 mode collapsing 问题，能够在多项实验中取得明显的优势。

Aug, 2017

本文介绍的是使用基于递归神经网络和 Gumbel-softmax 输出分布的生成敌对网络来生成离散元素序列时的表现评估。

Nov, 2016

本文提出一种简单的训练方法，通过从模仿数据分布的对抗模型中绘制负样本来大大增强梯度信号，以实现极端分类的高效训练，并在大规模数据集上实现了训练时间相对于几个竞争基线的数量级的减少。

Feb, 2020

本文提出了 L-Softmax loss 作为一种广义的大边际 softmax（L-Softmax）损失函数，可以显式地鼓励所学特征的类内紧密性和类间可分性，并且能够调整想要的边际并避免过拟合，并在四个基准数据集上进行了广泛实验，结果表明使用 L-Softmax 且深度学习的特征更具有区分度，从而大大提高了各种视觉分类和验证任务的性能。

Dec, 2016

通过混合训练方式，利用生成对抗网络以及精确似然估计评估方法，解决了最大似然训练无法评估生成质量的问题。

May, 2017

本文提出了一种基于对比学习和互信息最大化的正式框架，可以同时减轻生成敌对网络（GAN）中两个根本问题：鉴别器的灾难性遗忘和生成器的模式坍塌，从而在图像合成中显着稳定 GAN 训练和提高 GAN 性能。

Jul, 2020

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

该研究探讨了在保证标准准确率的前提下提高对抗性鲁棒性的方法，介绍了 Max-Mahalanobis 中心损失函数，强制在特征空间中诱导高密度区域，以使学习到的特征点更加紧凑和有序，从而提高对抗性防御水平。

May, 2019

全球学术知名期刊报道了一项关于生成对抗网络（GAN）的研究，该研究提出了将 GAN 视为离散采样器的新观点，并建立了噪声维度与无损压缩图像所需比特数之间的关系。此外，还提出了一种新的分歧 - 熵权衡方法，用于揭示在噪声受限的情况下 GAN 的行为特征，并通过图像生成实验证实了理论推断。

Mar, 2024