本文旨在将有监督和无监督的图像翻译方法相结合，在像素到像素图像翻译领域取得了重大突破，提出了一种选择非常少的配对训练样本的方法，并在训练过程中同时使用这些配对样本和未配对样本，从而比 Random Selection 获得了更好的性能。

Sep, 2019

本研究提出了一种名为 TuiGAN 的生成模型，该模型可以完成只有两个未经配对图像进行的 UI2I 任务，在 coarse-to-fine 的过程中将生成的图像从全局结构逐渐细化到局部细节。结果表明，该模型在各种 UI2I 任务上都优于基线模型并且可以达到使用足够数据训练的现有最先进 UI2I 模型的性能。

Apr, 2020

本文提出了第一个半监督（半配对）的框架，用于标签到图像的翻译，使用输入重构任务并利用条件鉴别器来作为反向生成器，证明了所提出模型在标准基准测试中优于现有的无监督和半监督方法，同时使用更少的配对样本。

Jun, 2023

本文提出了一个使用无成对训练数据和单个网络同时训练不同域的多个数据集来学习生成多样化输出的统一框架，并研究了如何更好地提取域监督信息以学习更好的分离表征和实现更好的图像翻译的方法。实验表明，所提出的方法优于或与最先进的方法相当。

Nov, 2019

本文介绍了一种基于共享潜在空间假设和 Coupled GANs 的无监督的图像到图像翻译框架，并在多个挑战性的无监督图像翻译任务中取得了高质量的翻译结果，同时也应用于域自适应并实现了最先进的基准数据集性能。

Mar, 2017

本文提出了一种针对图像翻译的无监督学习模型，TUNIT，该模型可以在没有成对数据或领域标签的情况下进行图像 - 图像翻译，同时在各种数据集上表现出可比甚至更好的性能。此外，该模型还可以轻松扩展到半监督学习。

Jun, 2020

该研究论文介绍了一种用于图像翻译的无监督学习方法，采用对抗性和循环一致性损失将源域图像翻译到目标域中，并且在多项任务上的实验结果表明该方法优于之前的方法。

Mar, 2017

本文提出了一种无监督、基于对比学习的图像翻译方法，其主要思想是学习一个判别器，将不同的图像风格区分开来，并使其监督生成器将这些风格在图像之间进行转移。实验结果表明，该方法在视觉质量和翻译准确度方面优于当前领先的无监督基线模型。

May, 2021

本研究扩展了一种可扩展的多分布翻译机制，其翻译模型不仅可以从一种分布转换为另一种分布，还可以堆叠以创建复合翻译函数，并使用解耦训练机制进行多分布训练，该机制可以生成具有训练集中未见特征的图像，并通过定性和定量的分析进行样本的可靠性评估。

Apr, 2018

本研究提出了一种新的框架，Generative Prior-guided UNsupervised Image-to-image Translation (GP-UNIT)，利用预训练的类条件生成对抗网络 (GANs) 的生成先验来跨越不同领域学习丰富的内容对应关系，并且我们还提出了一种新的粗粒度到细粒度的策略，通过在抽象的语义层面上捕捉一个强大的粗级内容表示来连接对象，进而为更准确的多层级内容对应学习适应性的细粒度内容特征。实验表明我们提出的方法优越性强，可适用于不同的领域和更挑战的任务。

Apr, 2022