这篇论文通过对多个GAN算法的大规模实验研究得出，大多数模型在经过足够的超参数优化和随机重启后可以达到类似的分数，建议未来的GAN研究应该基于更系统和客观的评估程序，同时提出了一些可用于计算精度和召回率的数据集。

Nov, 2017

本文通过使用通常仅用于培训的散度和距离函数来对各种类型的GAN性能进行评估，观察了所提出的度量之间的一致性，发现测试时间指标并不支持使用相同训练时间标准的网络，我们还将所提出的度量与人类感知分数进行比较。

Mar, 2018

本文研究了生成对抗网络（GAN）的评估方法，发现基于核最大均值差（MMD）和最近邻（1-NN）等指标，可以较好地满足评估需要，同时具备区分真实样本与生成样本的性质，并探究了几种著名 GAN 模型的特性。

Jun, 2018

本研究提出了两种基于图像分类的测量标准，GAN-train和GAN-test，以评估各种GAN方法的召回率和准确率。研究结果表明，数据集的难度与GAN质量呈负相关，并发现这两种度量标准可以更好地评估GAN的性能。

Jul, 2018

对GAN领域中的高质量图像生成、图像生成的多样性和稳定训练等三个实际问题的研究进展进行了详细回顾和分类，同时讨论了GAN在计算机视觉中最成功的应用并提出了未来的研究方向。

Jun, 2019

本文从算法、理论和应用三个方面综述了各种生成对抗网络（GANs）算法的动机、数学表示和结构特点，比较了不同GANs方法的共同性和差异，探讨了GANs相关的理论问题以及在图像处理、自然语言处理、医疗领域、数据科学等领域的应用，并指出了未来GANs的开放性研究问题。

Jan, 2020

本文讨论了生成模型的进展和评估技术，以及GAN评估和深度伪造之间的联系，探讨了在机器学习社区中日益重要的公平和偏见问题，并指出改进GAN评估可以有助于减轻这些问题。

Mar, 2021

本文通过实证研究代表性生成模型GAN，深入分析了如何在特征空间中代表数据点、如何使用选定样本计算合理距离以及每组要使用多少个实例等问题。实验结果表明，基于CNN和ViT的架构都是可靠和稳健的特征提取器，CKA能够在一种模型中跨越各种提取器和分层层次上产生更好的比较，而且在表征两个内部数据相关性之间的相似性方面，CKA显示出令人满意的样本效率并补充了现有指标（例如FID）。这些发现帮助我们设计了一个新的测量系统，以便在一致可靠的方式下重新评估了最先进的生成模型。

Apr, 2023

生成对抗网络（GANs）是在多个领域中生成逼真、多样化数据的强大工具。本研究综述了GANs的潜在架构、验证指标和应用领域，并探讨了GAN与Jensen-Shannon散度之间的深刻联系以及GAN框架的最优性特征。对GAN变体的效率、模型架构以及训练障碍和解决方案进行了评估，并详细讨论了GAN与Transformer、物理信息神经网络、大型语言模型和扩散模型等新开发的深度学习框架的整合。最后，揭示了该领域的若干问题和未来研究方向。

Aug, 2023

生成对抗网络（GANs）已经成为计算机视觉领域的工作马，近年来在生成模型的研究中发挥了重要作用。这篇综述论文以时间顺序呈现了关于GAN的理论和应用的多个重要的里程碑研究工作，填补了现有综述中缺失的从时间角度出发解决多个GAN模型的挑战的方面。

Nov, 2023