本文提出了一种新型的正则化方法来改善对抗生成网络（GANs）的训练，通过鼓励二元激活模式具有高联合熵的方式来引导鉴别器适当分配其模型能力，实验结果表明，该方法可以提高 GAN 训练的稳定性和收敛速度，以及半监督学习中的分类准确性。

May, 2018

本文提出一种使用二进制生成对抗网络（BGAN）进行无监督学习的图片编码方法，通过限制噪声变量为二进制并使用新的标志激活策略和损失函数，在不松弛约束条件下生成二进制编码，并提高了图像检索的准确性，相较于现有的哈希方法，我们的方法在标准数据集上的表现提高了 107%。

Aug, 2017

本文提出了一种直接使用 JPEG 压缩流进行文档图像二值化的方法，采用 Dual Discriminator 生成对抗网络，在包含噪声和失真的情况下，经过全面的测试，结果表明该模型具有高度的鲁棒性和效率，同时在 JPEG 压缩领域表现出最先进的性能。

Sep, 2022

本研究基于生成对抗网络构建了一个图像压缩系统，其中包括编码器、解码器 / 生成器和多尺度鉴别器，并使用全生成式学习压缩目标。模型可合成存储受限的细节，实现在比之前方法失败且出现严重伪影的比特率下，较视觉上令人满意的结果。此外，如果有原始图像的语义标签映射可用，则本方法可以从标签映射中合成出解码后图像的不重要区域，例如街道和树，并相应地减少存储成本。一个用户研究证实，即使使用两倍以上的比特，低比特率下我们的方法都优于现有技术。

Apr, 2018

本文提出 Composition-by-Decomposition 网络，采用两个独立分布的物体生成具有真实纹理和形状的合成图像，以此捕捉多物体之间的空间相互作用关系，从而在生成场景方面获得更好的效果。

Jul, 2018

本文研究了如何将生成敌对网络与学习压缩相结合，得到一种最先进的生成有损压缩系统，并在归一化层、生成器和鉴别器架构、训练策略以及感知损失方面进行了探究。与之前的工作不同的是，我们实现了在广泛的比特率范围内视觉上令人满意的重建，并且，我们的方法可以应用于高分辨率图像。我们在定量上使用各种感知指标和用户研究来评估我们的方法，研究表明，即使使用超过 2 倍的比特率，我们的方法也优于以前的方法。

Jun, 2020

本文基于自动编码器训练了一个伯努利编码分布的二元潜空间模型，用于图像压缩和高分辨率图像生成。结果表明该方法无需使用多级层次结构即可大幅提高采样效率，生成的图像质量好且效果与现有先进方法相当。

Apr, 2023

本文提出一种基于低维 GAN 的数据增强方法，能够有效提高压缩光谱成像、光谱图像超分辨率以及 RGB 到光谱任务的表现，并在传统数据增强方法和同样应用 GAN 的方法的基础上取得了 0.5 到 1 [dB] 的改进。

Apr, 2023

该论文提出了一种正则化方法来训练健壮的 GAN 模型，使其在有限的训练数据下表现更好，并且在几个基准数据集上的实验证明了该方法在提高泛化性能和稳定学习动态方面的有效性。

Apr, 2021

研究使用深度学习模型用于图像压缩且提出基于瓶颈自填充神经网络框架（BINet）的自编码器，该框架可以通过补全相邻补丁之间的依赖关系以提高补丁式压缩的压缩质量.

Dec, 2019