本文介绍了生成对抗网络（GANs）的算法框架，将其与隐式生成模型的学习算法相联系，提出了基于密度比估计的方法并借此引导观察者更深层次地思考生成模型。

Oct, 2016

该研究使用增量算法AdaGAN训练Generative Adversarial Networks（GAN）来解决GAN模型中出现的missing modes问题，并且证明了当每一步是最优的时候，这种增量方法可以在有限步数内收敛到真实分布，否则以指数速度收敛。

Jan, 2017

本文从实用角度出发，分析评估生成对抗网络的常见错误和可重现性问题，并提供预训练模型。

Jul, 2018

通过改进流媒体生成模型的限定设计选择，包括去量化时使用均匀噪声、使用不可表述的仿射流以及在耦合层中使用纯卷积神经网络，我们提出了一种新的流基模型Flow ++，它在标准图像基准上是现在最先进的非自回归模型，开始缩小自回归模型和流媒体模型之间显著的性能差距，并提供了代码实现。

Feb, 2019

本文研究了基于流的生成模型的对抗鲁棒性，从理论和实证两个角度出发，研究了几个模型的鲁棒性，并设计了两种类型的对抗攻击，最终使用一个混合对抗训练程序显著提高了这些生成模型的鲁棒性。

Nov, 2019

通过熵正则化的f-散度梯度流技术，可以提高生成数据的质量，避免了浪费的样本拒绝，可以应用于各种生成系统，并取得了显著的效果优于DOT和DDLS方法。

Dec, 2020

本研究提出了一种新的生成模型LED，它不仅可以高效地生成样本，还可以进行高效的密度估计，并通过最大化判别器输出的对数似然来鼓励生成数据的多样性，同时构建一个流式生成器，在保持良好的生成质量的同时，可以计算生成样本的准确概率。

Jun, 2022

建议了一个统一理论框架，将基于得分的扩散模型和生成对抗网络合并起来，提出了一个名为“鉴别器去噪扩散流”的新SDE，通过调整不同得分项之间的相对权重，可以在SDMs和GANs之间实现平滑转换，同时保持边际分布不变，提供了新的算法，并具有在高样本质量和快速采样速度之间实现灵活权衡的潜力。

Jul, 2023

生成对抗网络（GANs）可以生成高质量的样本，但不能提供样本周围的概率密度估计。本文通过最大化log-likelihood来建议改进分区函数的无偏估计方法，同时最大化生成器熵以提供更好的模式覆盖，利用一种新型的流网络——单向流网络来计算生成样本的密度，从而设计出分区函数的无偏估计方法，并在实验中验证了该方法的快速收敛性、与相似结构GANs相当的样本质量、成功避免过度拟合常见数据集以及产生平滑的低维潜在数据表示。

Jul, 2023

生成对抗网络（GANs）是在多个领域中生成逼真、多样化数据的强大工具。本研究综述了GANs的潜在架构、验证指标和应用领域，并探讨了GAN与Jensen-Shannon散度之间的深刻联系以及GAN框架的最优性特征。对GAN变体的效率、模型架构以及训练障碍和解决方案进行了评估，并详细讨论了GAN与Transformer、物理信息神经网络、大型语言模型和扩散模型等新开发的深度学习框架的整合。最后，揭示了该领域的若干问题和未来研究方向。

Aug, 2023