该研究提出了一种基于深度有条件敌对生成网络和本地特征网络的漫画线画自动上色方法，通过训练更加真实的图像数据，获得更好的视觉效果。

Aug, 2018

本文提出了一种基于深度对抗图像合成框架，结合草图轮廓和稀疏颜色笔画生成逼真的汽车、卧室或人脸。我们展示了一个基于草图的图像合成系统，允许用户在草图上涂鸦以指示所需对象的首选颜色。该网络是前向的，可以实时看到用户编辑的效果。与最近关于草图到图像合成的研究进行了比较，表明我们的方法可以生成更逼真、更多样和更可控的输出，并且对于灰度图像的用户引导上色也很有效。

Dec, 2016

本文介绍了一种使用条件生成式对抗网络解决无监督多样化上色问题的方法，并在 LSUN 卧室数据集上表现出高竞争性和高可信度的着色结果。

Feb, 2017

该研究提出了一种基于笔画先验限制的生成对抗网络 SkrgAN，用于合成医学影像，实验结果表明该方法在各种图像模态下均能达到最先进的效果，并且用于数据增强可以提高医学图像分割方法的表现。

Aug, 2019

本文介绍了一种基于生成对抗网络的多条件控制方法，通过对大量人类绘画进行训练，生成模拟人类艺术的逼真画作，提供了对生成画作的特征进行精细控制，针对多条件生成，引入了条件截断技巧，并使用一系列评估技术对生成结果进行定量分析。

Feb, 2022

本研究提出了一种新的生成对抗网络 (GAN) 方法，利用数据增强及信息流构建模块等技术，在摩托车、马和沙发等 50 类别的草图上合成逼真的图像，并在 Inception 分数上取得显著的改进。

Jan, 2018

本论文介绍了一种基于对抗损失的图像修复半监督学习方法，通过生成器填充图像中的孔洞，再用鉴别器判断图像的真实性，以实现对鉴别器的有监督训练，并在 STL-10 和 PASCAL 数据集上表现出与现有方法相当甚至更好的性能。

Nov, 2016

提出了一种基于卷积网络的图像编辑系统，它可以通过自由形式的掩模，草图和颜色作为输入来生成图像，并利用自由形式的用户输入与颜色和形状结合，生成高质量的合成图像。

Feb, 2019

该研究提出了一种使用基于条件生成对抗网络的图标设计系统，可帮助设计师更轻松地完成图标的着色任务，并且实现了较高质量的着色效果。

Oct, 2019

本文提出利用生成对抗网络（GAN）为新手用户设计真实世界形状，使用具有简单界面的体素网格进行编辑。该方法的主要优势是通过学习投影和生成算子来协助用户创建背景分布对象形状的 3D 模型，同时不必指定所有细节。通过该算法及工具的实验表明 GAN 是计算机辅助交互建模的一种有前途的方法。

Jun, 2017