本文提出了一个基于交叉模态循环生成对抗网络的视听互生成模型，它能有效地从一种模态中恢复另一种模态，从而用于动态多模态分类任务，并通过丰富的实验验证表明该方法具有很好的生成效果。

Nov, 2017

使用交叉模态对比生成对抗网络（XMC-GAN）进行文本到图像的综合，通过使用多个对比损失，注意力自我调节生成器和对比鉴别器，以最大化图像和文本之间的相互信息，改善了图像合成的质量，并在 MS-COCO、Localized Narratives 和 Open Images 上实现了最先进的 FID 评分．

Jan, 2021

我们提出一种混合专家 GAN （MEGAN）方法，它使用多个生成器网络进行集成学习，并通过门控网络在不同条件下选择适当的网络，以生成具有特定子集的模式的图像。我们证明各自利用数据的不同部分，达到较高的多尺度结构相似性分数和竞争性的无监督内在分数。

May, 2018

介绍一种名为 MAD-GAN 的多智能体生成对抗网络架构，可以解决 GAN 领域的模式崩溃问题，实验表明该架构能产生高质量的样本且具有较强的去卷积能力。

Apr, 2017

本文提出了一个无监督生成式对抗跨模态哈希 (UAGCH) 方法，该方法使用生成式对抗网络来学习跨模态哈希的哈希函数，并利用相关图来捕捉不同模态间的流形结构，从而实现快速且灵活的检索。与 6 种最先进的方法的实验结果证实，提出的方法具有很高的检索准确性。

Dec, 2017

本文提出使用条件生成对抗网络（CGAN）从传感器数据中提取知识并增强低分辨率目标检测的方法，并着重解决缺失模态的问题，提出了一种基于 CGAN 的算法，可在给定其他可用模态时从缺失模态生成代表性信息。尽管存在模态差距，但演示了可以从一组模态中提取知识到另一组模态中，且比传统方法和最近的师生模型取得了更好的性能。

Jul, 2018

这篇论文提出了一种简单而高效的方法来解决条件生成式对抗网络（cGAN）中的模式崩塌问题，它通过显式地规范化生成器以产生不同的输出来控制可变因素，从而在视觉质量和多样性之间实现平衡，这种方法在图像翻译、图像修补、未来预测等多个条件生成任务中取得了出色的效果。

Jan, 2019

提出了一种采用对抗生成网络和注意力机制进行深度跨模态哈希的方法，以增强多模态数据的内容相似度，同时在多个基准数据集上进行广泛评估并取得了良好的性能表现。

Nov, 2017

该文介绍了一种基于多模态数据边缘似然的分层变分自编码器的族群。文章使用 VAEGAN 及基于流的模型构建了模型。实验结果表明，对于图像、标签和文本数据，这些模型在很多领域中达到了最优结果，并且使用 GAN 图像模型和 VAE 语言模型可以得到更好的表现。最后，在配合口语的任务中，该文章发现用于学习图像表达的表示比只使用视觉数据中学习的等效表示更抽象、更组合。

Dec, 2019

通过使用生成模型的融合机制，本研究在多模态跟踪中展示了生成模型的潜力，并通过实验证明该方法取得了最新的性能记录。

Sep, 2023