提出了一种名为StarGAN的神经网络模型，能够在一个模型中处理不同类型的图片域，解决了目前单个模型无法扩展处理二个以上图片域的问题，并且从实验结果上证明了该模型相比之前的模型具有更高的图片翻译质量以及更强的灵活性。

Nov, 2017

本文介绍了一种利用多个输入域来实现图像翻译的方案，使用基于生成对抗网络的多模式生成器结构和一种新的损失项，潜在一致性损失，实现了比现有无监督图像到图像转换方法更好的转换效果。

Nov, 2017

单个生成器的多领域图像翻译方法 SingleGAN，在多种无配对数据集上显示出明显的优势和普适性。

Oct, 2018

该文介绍了一种基于生成对抗网络 (GANs) 的双生成器生成对抗网络 (G$^2$GAN) 方法，可以通过一种单一模型实现多个领域的非配对图像转换，并研究了不同的优化损失，以提高稳定性。该方法在6个公共数据集上进行广泛实验，证明了其相对于现有的GAN模型在模型容量和图片生成性能上具有卓越的优势。

Jan, 2019

本文提出了一种基于显式域监督的非配对图像翻译框架DosGAN，该框架使用分类网络提取每个图像的域特定特征，并使用另一个编码器提取域无关的特征，二者结合生成目标域的图像。该方法在多个数据集上进行了实验，证明了其有效性，并且可以进行任何两个图像之间的有条件翻译，而以前的模型不能处理此任务。

Feb, 2019

介绍了一种基于GAN的全新图像到图像翻译方法，其中使用同层网络的潜在空间来保留图像内变换，不再需要约束生成器的循环一致性限制，实现了对高级形状和语境等更复杂领域的转换。

Feb, 2019

提出了一种无监督的图像翻译框架，使用一对编码器加上一对生成对抗网络来提取不同域之间的高级特征以生成逼真的多样化样本。该框架在许多图像转化任务上展示出与最先进技术相竞争的结果。

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

本文提出了SwitchGAN来进行多领域人脸图像翻译。使用更自适应的辨别器结构和匹配的生成器来解决现有方法中存在的领域分布匹配的问题。引入基于特征切换的操作来进行特征选择和融合。实验结果表明，我们的模型在Morph、RaFD和CelebA数据库上均能取得比StarGAN、AttGAN和STGAN更好的翻译结果。此外，我们还引入了一种控制属性强度并提取内容信息的新功能。

Nov, 2021

本论文提出了一种多样性生成对抗网络模型Polymorphic-GAN，该模型能够同时生成多个相关域中的图像，它具有学习所有域上共享特征和每个域的特征之间的映射关系，能够用于多个应用，比如图像分割传输、跨域图像编辑和低数据域的训练。此外，本文还应用Polymorphic-GAN模型进行了图像到图像的转换任务，实验表明在各种不同几何变化的域中，该模型的性能均大大优于先前的方法。

Jun, 2022