本文介绍了一种将感知损失和基于对抗鉴别器的学习目标通过一个特殊的鉴别器网络框架结合起来，在未对齐的图像数据集上训练获得准确快速结果的新体系结构 —— 感知鉴别器。通过此体系结构在未对齐的图像翻译任务中取得了良好效果。
Sep, 2018
我们研究了有条件的对抗性网络作为图像转换问题的通用解决方案，并展示了这种方法在从标签地图中合成照片，从边缘地图中重建对象和彩色化图像等任务中的有效性。
Nov, 2016
本文介绍了一种基于 DRPAN 的高质量图像到图像翻译模型，该模型将图像到图像翻译任务分解为三个步骤：生成一个具有全局结构但含有某些局部伪迹的图像（通过 GAN），然后使用 DRPnet 提出图像中最伪造的区域，并在最伪造的区域上通过修正器实现图像修补，从而逐步优化系统以生成更高质量的翻译结果。实验表明，该方法在各种图像到图像翻译任务和数据集上优于现有技术，并能以人类感知研究和自动量化度量等方面提供高质量的翻译结果。
Nov, 2017
介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法，通过非监督学习来解决图像转换问题，实现了不同域之间的图像转换，并且在多样性方面表现出了很好的通用性。
Jan, 2017
本研究针对自动驾驶相关的图像翻译任务，提出了一种基于准物理和数码的对抗扰动方法，有效地干扰了图像翻译模型的输出，揭示出其脆弱性和局限性，并通过改善网络的鲁棒性，进一步提高其性能和稳定性。
Jan, 2020
利用对抗性神经网络实现随机机制和互信息隐私的变分近似，优化隐私数据发布机制的信息论最优折衷方案，对合成数据和实际数据集 MNIST 进行了验证实验。
Dec, 2017
本文综述了利用图像转换进行对抗检测的近期进展，并提出了一种名为 AdvJudge 的深度学习方法，通过结合 9 种图像转换的分数来判断对抗性示例，并利用可解释的 AI 工具显示了每种图像转换对对抗检测的贡献。
Jan, 2022
本文介绍了一种利用多个输入域来实现图像翻译的方案，使用基于生成对抗网络的多模式生成器结构和一种新的损失项，潜在一致性损失，实现了比现有无监督图像到图像转换方法更好的转换效果。
本文提出 PSGAN，一种基于深度神经网络的遥感图像全色增强方法，旨在生成高质量的全色增强图像。通过试验和分析，它优于目前的主要解决方案，并且可以很好地推广到全尺寸图像。
May, 2018
本文从几何学角度重新制定图像到图像翻译模型，提出了控制其泛化能力的条件，并对模型设计和数据集构建提出了指导性建议.
Jun, 2018