利用递归神经网络和深度卷积生成对抗网络构建了新的深度架构和GAN公式，将字符转换为像素，有效地将文本和图像建模相结合，从而实现了从详细文本描述中生成花和鸟的逼真图像的能力。

May, 2016

本文提出一种改进的基于GAN的文本图像生成方法，通过优化感知损失函数，可以生成更具感染力、质量更高的鸟和花卉的合成图像。

Aug, 2017

本文概述了生成对抗网络在信号处理中的应用，讨论了GANs的训练方法和构建策略以及它们在deep representations学习中的表现和存在的挑战。

Oct, 2017

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

本研究探讨和提出了这些框架的分类法及其在各种图像到图像合成和文本到图像合成应用中的使用。

Aug, 2019

本文文献是关于生成对抗网络（GAN）框架及其在视觉合成领域的应用和算法进行概述，包括图像翻译、处理、合成高分辨率照片等，并讨论其在内容创作中的应用。

Aug, 2020

综述文章介绍了生成对抗网络(GANs)在图像合成领域的各种应用，包括图像到图像的转换、融合图像生成、标签到图像映射和文本到图像生成，并总结了基于模型、特定于架构、约束、损失函数、评估度量和培训数据集开发思路等各种领域进展和具体实现，并提出了未来发展的潜在方向。

Dec, 2020

该论文综述了生成对抗网络在文本到图像合成方面的发展以及面临的挑战，提出了一些研究方向，包括评估指标、数据集和模型架构设计等方面的改进。

Jan, 2021

该研究提出了一个基于7种GAN架构、9种调节方法、4种对抗性损失以及13种正则化模块、3种可微增强方法、7种评估指标和5种评估指标的开源库StudioGAN，通过在多种数据集和三种不同的评估骨干(InceptionV3，SwAV和Swin Transformer)上训练基于BigGAN，StyleGAN2和StyleGAN3等最新生成模型的统一训练流水线中的可代表性GAN，并使用7种评估指标量化生成性能的大规模基准测评了各种前沿的生成模型，提供了预训练权重的GAN实现、训练和评估脚本。

Jun, 2022

本研究解决了从文本生成逼真图像这一计算机视觉领域的难题。通过对比五种基于生成对抗网络（GAN）的方法，本文揭示了不同模型架构在生成图像时的分辨率差异，并确定了最佳和最差的分辨率。这项研究的关键发现是识别了性能最优的模型，为文本到图像生成提供了指导。

Oct, 2024