本文研究了从一个只有单个样本的 $A$ 域到一个有更多丰富的训练样本 $B$ 域的映射问题，提出了一种使用一个编码器和一个解码器进行双向映射的方法，自动编码器被训练用于匹配 $B$ 域的潜空间和单个样本域，并成功地实现了 MNIST 图像转化为 SVHN 图像和 SVHN 图像转化为 MNIST 图像的映射，在单个样本域和多样本域之间的映射优于现有解决方案。

Sep, 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

提出了一种无监督域适应的通用框架，利用添加额外的网络和损失函数，通过使用图像翻译框架和特征提取实现在无需目标域训练数据的情况下，测试源域训练的深度神经网络在不同的目标域上的能力，并在分类和分割任务上，应用于 MNIST、USPS、SVHN 和 Amazon、Webcam、DSLR Office 以及 GTA5 和 Cityscapes 数据集，取得了最先进的性能。

Dec, 2017

本文提出了一种基于生成对抗网络和自动编码器的双向图像转换方法，通过交叉域解缠表示技术，将内部表示分离成共享部分和专有部分，并可在不需要标注数据的情况下实现多模数据分布下的区分和检索。在多模图像翻译任务中，该模型优于现有的最新模型，并在具有挑战性的数据集上表现出更好的结果。

May, 2018

无监督多领域转换是将数据从一个领域转换到其他领域的任务，我们提出的方法基于改进的变分自编码器，利用两个分离的潜在变量以一种可控的方式实现。我们通过实验证明了我们的方法在不同的视觉数据集上可以提高其他知名方法的性能，并证明了一个潜在变量存储与领域相关的所有信息，而另一个几乎不包含任何领域信息。

Jan, 2024

我们提出了一种名为 Domain-Bank 的新型统一框架，该框架由一个全球共享的自编码器和 n 个特定领域的编码器 / 解码器组成，假设可以投影出一个通用共享潜在空间。除了高效率外，我们还在各种具有挑战性的无监督图像转换任务中展示了可比（甚至更好的）图像转换结果（包括人脸图像转换，时尚服装转换和绘画风格转换）。此外，由于该框架具有显式的域特定解码器及通用共享的潜在空间的表示，因此它还使我们能够进行增量学习来添加新的域编码器 / 解码器，并通过融合相应的解码器来获得不同域的表示的线性组合。

Dec, 2017

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

本文介绍了一种无监督图像转换框架，该框架最大化了一个特定域的变分信息界，并学习了这两个域的目标域不变表示。

Nov, 2018

本文研究了如何在无监督学习的情况下，学会将 A 和 B 两个不同的数据领域进行映射，以使得 B 中的信息包含 A 中的所有信息并且增加一些附加信息。为此，采用了一个双通路编码器和一个解码器，并且采用了一些损失函数对两个域进行重建和区分度优化。实验结果表明，该方法比文献导向的翻译方法更为简单，并且在一些视觉领域中取得了令人信服的结果，例如 no-glasses 到 glasses 以及基于参考图像添加面部毛发等。

Jan, 2020

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