本文介绍了一种新颖的生成模型——条件生成对抗网络，可以通过给生成器和判别器同时提供我们希望对条件进行的数据y来构建。本文展示了这个模型可以根据类别标签生成MNIST数字，并提供了一个多模态的模型应用示例，演示了如何生成不属于训练标签的描述性标签。

Nov, 2014

将生成对抗网络扩展到半监督学习中，强制鉴别器网络输出类标签，能够创建更具数据效率的分类器以及比正常GAN生成更高质量的样本。

Jun, 2016

本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络（GANs）框架，并着重讨论了GANs的两个应用程序：半监督学习和图像生成。使用我们的技术，我们在MNIST，CIFAR-10和SVHN的半监督分类方面取得了最先进的成果，并呈现了高质量的生成的MNIST和CIFAR-10图像样本和ImageNet样本，呈现出ImageNet类可识别特征的学习过程。

Jun, 2016

本论文介绍了一种基于对抗损失的图像修复半监督学习方法，通过生成器填充图像中的孔洞，再用鉴别器判断图像的真实性，以实现对鉴别器的有监督训练，并在STL-10和PASCAL数据集上表现出与现有方法相当甚至更好的性能。

Nov, 2016

本研究探讨了一种名为SGAN的备选训练方法，通过该方法，多个对抗的“本地”网络对可独立进行训练，以便“全局”监督网络可以针对它们进行训练，以提高模式覆盖性能。实验结果表明，该方法在减轻模式崩溃、稳定收敛和加速收敛方面都表现出优于标准训练的性能。

Dec, 2017

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

该论文提出了一种基于标签空间的图像增强，新颖的自我监督学习方法，用于半监督条件生成网络，通过将少量有标签的示例中的标签赋给大量无标签的示例，构成训练集并优化辅助匹配损失，实现了对CelebA和RaFD两项挑战性基准测试的有效性评估，表明其优于竞争基线和现有方法。

Jun, 2020

TR0N是一个高度通用的框架，可以将预训练的无条件生成模型转化为有条件模型，从而实现翻译不同空间之间数据协调的目的，它不需要训练数据或微调，但可以达到零样本FID为10.9的结果，且生成速度非常快，同时保持了更高的通用性。

Apr, 2023

我们提出了一种针对长尾数据的类条件生成对抗网络 (class-conditional GANs) 的训练改进方法，通过知识共享使尾部类别能够借用丰富信息的优秀类别，实验证明在生成图像的多样性和质量方面相较于现有方法有显著提升。

Feb, 2024

基于预训练的确定性条件图像生成模型的网络结构或参数不变，我们通过添加微小扰动攻击输入条件，提出了一种简单高效的插件投影梯度下降（PGD）方法来生成多样且可控的图像，从而为低层视觉任务应用对抗攻击打开了新的可能性。

Mar, 2024