本文提出了一种自监督方法（LT-GAN）来提高生成对抗网络的生成质量和图像多样性，通过估计 GAN 引起的变化，即通过扰动生成器的潜空间引起的生成图像的变换，从而促进了关于潜在变换的语义连贯的图像的合成。实验证明 LT-GAN 在各种数据集上的有效性以及在 CelebA-HQ 和 ImageNet 上改善受控图像编辑方面的帮助。

Oct, 2020

本文介绍了一种基于深度生成模型的架构，该架构在训练过程中使用多层的潜在变量，并且在所有潜在变量和输出之间包括确定性路径，以及提供了一组更丰富的连接，这些连接在推理和生成计算之间实现了更有效的信息通信。我们在重构分布中引入了轻量级自回归模型以提高自然图像的性能。实验表明，我们的方法在标准图像建模基准测试中达到了最先进的性能，并且在没有标签信息的情况下可以暴露潜在的类结构，同时可以提供自然图像中被遮挡区域的令人信服的估计。

Dec, 2016

本文提出了一种名为 DRL-CPG 的新框架，用于学习可控人物图像生成的分离潜在表示，通过使用 transformer 编码器和属性解码器来实现形状和纹理的转换，实现了产生具有所需姿势和人体属性（例如姿势，头部，上衣和裤子）的逼真人物图像的目标。

Dec, 2023

本研究提出了基于对比学习的方法，以自我监督的方式在预先训练的生成对抗网络的潜在空间中发现语义方向，并发现了与现有最先进方法可比较的有意义的语义维度。

Apr, 2021

本文提出了一种基于 GAN 的多生成器聚类方法 HC-MGAN，将其设计为自顶向下的分层聚类树，并在多个数据集上进行实验验证，发现该方法能够实现语义上有意义的聚类。

Dec, 2021

本研究提出了一种不妥协预测准确性的情况下融合解释性的决策制定算法，通过学习迭代二进制子决策的方法，在决策过程中引入了稀疏性和透明度。该模型的关键点在于利用神经网络和消息传递的方式相互学习，来建立决策树，同时将语意意义通过二进制属性的形式赋给每个决策，使其对用户更加精练、语义化和相关。在三个基准图像分类数据集上，包括大规模 ImageNet 数据集，该模型生成了人类可解释的二进制决策序列，解释了网络的预测情况，同时保持了最先进的准确性。

Feb, 2019

通过将强化学习（RL）代理与潜在空间生成对抗网络（l-GAN）相结合，我们提出了一种新的方法来解决 GAN 生成过程中控制的挑战。我们开发了一个具备精心设计的奖励策略的 actor-critic RL 代理，使其能够在 l-GAN 的潜在空间中导航并根据指定任务生成输出，通过使用 MNIST 数据集进行了一系列实验证明了我们方法的有效性。我们首次将 RL 代理与 GAN 模型集成，具有极大的潜力来增强生成网络。

Jul, 2023

我们提出了 LR-GAN，这是一种考虑场景结构和上下文的对抗性图像生成模型，使用前景和背景分别和递归地生成，并以相关上下文方式将前景缝合在背景上，以产生完整自然图像。

Mar, 2017

通过先前训练好的 GAN 模型，将图像投影到潜在空间中以获取表示，我们可以在 MNIST 任务和 Omniglot 任务中成功地保留数字和字符的信息，这种方法可以应用于一次性学习。

Nov, 2016

本文研究生成对抗网络（GANs）中的潜在空间与三维对象的关系，探讨了几种 GAN 的变体和训练方法，旨在提高 3D GAN 的训练效果，同时提出了未来研究的方向。

Apr, 2023