本文研究机器学习中生成对抗网络（GANs），特别关注艺术方面的应用，以最先进的 StyleGAN2 为例，尝试生成专辑封面并通过艺术风格进行个性化定制。

Dec, 2022

生成对抗网络（GANs）在生成高质量的图像方面取得了巨大成功，并因此成为生成艺术图像的主要方法之一。本研究首先使用 Creative Adversarial Networks（CANs）架构的 GAN 进行训练，然后采用演化方法在模型的潜在空间中导航以发现图像。通过使用自动美学和交互式人类评估指标对生成的图像进行评估，并提出一种基于多个参与者的合作评估的人类交互式评估案例。此外，我们还尝试了一种智能变异算子，通过基于美学度量的局部搜索来提高图像的质量。通过比较自动和协作交互进化产生的结果来评估该方法的有效性。结果表明，当演化过程由协同人类反馈引导时，所提出的方法能够生成高度吸引人的艺术图像。

Mar, 2024

本文使用生成对抗网络的生成结果作为认知组件，以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时，本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构（包括转移学习和数据增强技术），并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明，本方法对该上下文的实施非常有效，将作为一个由人与机器共同设计的工作流程进一步评估。

May, 2023

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

本研究探讨了结合不同损失函数的图像生成模型在时尚生成中的创新性。通过设计一个评估协议，结合自动度量和人类实验研究，本研究发现，相对于 Creative Adversarial Networks 所采用的创新性评估标准，本研究所提出的创新性标准更具创意性。以及在新颖性和喜好性方面，本研究所提出的损失函数得分最高。

Apr, 2018

本论文提出了一个使用生成对抗网络的鉴别器来调整生成器与原有的分离的损失函数，从而推广风格迁移的概念作为棋类游戏学习的方法，并以具体玩家为风格，给出了实证研究。

Feb, 2017

本文提出了一种生成式对抗网络的扩展 ——ARTGAN，用于合成具有抽象特征的艺术品等复杂挑战性图像。通过允许唯一标签信息的反向传播，该方法更快地进行学习并且能够更好地生成高质量的图像。实验显示，ARTGAN 可以创造出逼真的艺术作品，并能够生成全局外观自然、清晰的实际图像。

Feb, 2017

本文探讨了使用生成对抗网络 (GAN) 合成高度逼真图像的优化问题，针对当下模型存在的问题，提出了一种修改规则和设计模型的方法。实验表明，我们的方法可以更有效地训练 GAN 模型，并以 3D 物体投影问题为例进行了验证。

May, 2017

本文提出了一种基于风格迁移文献的替代生成对抗网络的生成器体系结构，能够自动学习高级属性和生成图像中的随机变化，改善传统的分布质量量度标准，提高内插质量和交互性能，同时也更好地分离出潜在的多变因素。

Dec, 2018

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