本文提出了一种基于协同生成对抗网络 (CollaGAN) 的缺失图像数据填充的框架，该框架将图像填充问题转化为多域图像到图像的翻译任务，以便通过单个生成器和判别器网络成功地使用剩余的干净数据集估计缺失数据，实验证明与现有竞争方法相比，CollaGAN 能够产生更高质量的图像。

Jan, 2019

本文提出了一种基于 GAN 的框架，用于学习复杂、高维度的不完整数据，其中包括生成完整数据生成器和建立缺失数据分布的掩码生成器，同时还采用对抗训练技术完成缺失数据的插补处理，并在缺失随机假设下进行了多种类型的实验验证。

Feb, 2019

使用 BiGAN 模型，提出了一种多视图 BiGAN（MV-BiGAN）模型，可以从多个视图输入中执行密度估计，并且可以处理缺失视图并在提供额外视图时更新其预测。

Nov, 2016

本文提出了一种新的通过使用生成对抗网络 (GAN) 框架来填补缺失数据的方法，称为生成对抗填补网络 (GAIN)。通过给 D 提供一些额外的信息，即提示向量，我们测试了我们的方法，并发现 GAIN 显著优于现有的插值方法。

Jun, 2018

本研究提出一种新颖的生成对抗网络框架，即 MEGAN，用于多视角网络嵌入，通过保留多视角网络的信息并考虑它们之间的相关性，通过节点分类、链接预测和可视化任务的实验表明，该方法的表现优于现有的方法。

Aug, 2019

提出了一种名为 VariGANs 的新的图像生成模型，采用变分推断和生成对抗网络的结合，通过粗到细的方式生成多视角衣物图像，比现有方法生成的图像更富有一致性的全局外观以及更丰富和更锐利的细节。

Apr, 2017

本文提出了一种用于电子医疗记录中缺失数据生成和填补的新方法，该方法基于 GAN 技术，可以有效地提高数据预测精度。

Aug, 2021

本文提出了一种基于生成对抗网络 (GAN) 的多领域图像完成方法，该方法使用表示学习技术在多个领域中提取共享骨架编码和分离的肉体编码，以完成实际应用中可能出现的领域数据缺失问题，并证明所学习的表示方法对高级任务具有潜在价值。

Jul, 2020

本文提出了一种名为 Dual-Path Generative Adversarial Network (DPGAN) 的新框架，用于同时处理缺失数据和避免过度平滑问题，在广泛的基准数据集上进行了全面的实验证明，DPGAN 始终能与现有的最先进的数据补全算法相媲美，甚至胜过其它算法。

Apr, 2024

通过利用响应模式的结构，我们提出了基于 Generative Adversarial Nets (GAN) 的统一灵活框架，旨在同时处理片段数据的插补和标签预测，与其他基于生成模型的插补方法不同的是，该方法具有理论保证并且可以处理 Missing At Random （MAR）的数据。在广泛的实验中，FragmGAN 表现出较大的预测性能优势。

Mar, 2022