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
本文综述了24个量化和5个定性评估措施，重点评估基于GAN的生成模型，并提供了7个期望，并评估了一个给定的措施或措施家族是否与它们兼容。
Feb, 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
本文从实用角度出发，分析评估生成对抗网络的常见错误和可重现性问题，并提供预训练模型。
Jul, 2018
本研究讨论了与 G（生成器）相关的大多数损失函数的属性，表明这些损失函数并不是发散的，并且不具有发散的期望平衡。研究结果显示， GANs 不符合发散最小化理论，并且形成了比先前假设的模型更广泛的模型范围。
Sep, 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
通过转向神经网络分歧（NND），本文实现了一个基于样本的黑盒测量度量图像生成的多样性、采样质量和泛化。
Jan, 2020
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。
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