本文中，我们提出了一个新颖的基于标题的时序生成对抗网络（TGANs-C）来生成视频，该网络结合了数据的语义和时间上的一致性。我们通过定性和定量实验验证了我们的提议，并展示了在给定标题的情况下生成逼真视频的能力。

Apr, 2018

本文提出了一种深度生成对抗网络（DIGAN），其利用隐性神经表示的视频生成，通过操作空间和时间坐标的不同方式来改善运动动力学，有效地缓解视频生成的问题。在多个数据集上，DIGAN 的性能均优于现有最先进的方法，可以生成更长的视频序列，并实现自然运动和非自回归视频生成等多种特性。

Feb, 2022

本文提出一种简单而有效的方法来实现一致性视频编辑，通过优化潜在编码和预先训练的生成器，减少时间光度不一致，并在不同领域和 GAN 逆推技术上得到了有利的结果。

Jun, 2022

利用大量未标记的视频来学习场景动态的模型，提出了一种具有时空卷积结构的生成对抗网络来生成视频，该模型能够更好地预测静态图像的合理未来，并且能够识别动作的有用特征，这表明场景动态是表示学习的一个有前途的信号。

Sep, 2016

使用生成对抗网络，将源角色的动作转移到目标角色上，并且保持高逼真度。将姿势信息和外貌信息解耦并重新组合，利用重建的三维人体模型作为 GAN 的条件，进一步引入细节增强网络以增强转移结果的细节信息。实验表明，该方法在质量和数量上均优于现有技术。

Mar, 2020

提出了一种基于生成对抗网络的端到端人脸转移方法，使用 CycleGAN 生成目标角色的面部图像并探究了 PatchGAN 以及不同感受野大小对生成图像的影响。

Oct, 2017

本文提出了一种名为 T-GD 的转移性 GAN 图像检测框架，它包括一个教师模型和一个学生模型，通过迭代地相互训练和评估来提高检测性能，着重于提高 GAN 图像检测的可转移性和迁移学习能力，可以在没有元数据信息的情况下，通过很少的数据就能够有效地检测最新的 GAN 图像。

Aug, 2020

该论文介绍了一种数据驱动的无监督视频重定向方法，它可以将一个领域的内容转化为另一个领域的内容，并保留原本领域的风格和特性，它将空间和时间信息与对抗损失相结合，用于内容转换和风格保护，尤其适用于时空转换等应用。

Aug, 2018

该研究报告介绍了一种基于 GAN 的架构 DwNet，利用密集的姿态引导表示和改进的过程，将源图像中所需的主体外观，以纹理的形式，从一种姿势变换成所需的姿势，进而生成具有时序一致性的高分辨率人像视频，并在两个基准数据集上展现出先进的性能表现

Oct, 2019

通过从参考视频中提取对象形状和运动的新型非参数形状重建方法，结合物理模拟和匹配运动进行驱动，实现将参考视频中的对象运动转移到各种不同类别的生成的 3D 高斯函数，确保精确且可定制的运动转换。

May, 2024