提出了一种基于多个鉴别器网络来训练生成器的创新框架，通过更新分配给每个判别器的混合权重来反映生成器的进展情况，实验结果表明能够通过学习曲线来提高样本的质量和多样性。

Jul, 2018

本文提出了一种名为 Mixture GAN （MGAN）的新方法，该方法采用多个生成器的混合训练，旨在克服 mode collapsing 问题，通过理论分析得出结论，证明了在平衡状态下，多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小，生成器之间的 Jensen-Shannon 差异最大，从而有效地避免了 mode collapsing 问题，能够在多项实验中取得明显的优势。

Aug, 2017

本文提出一种新的方法来解决生成对抗网络中的模式崩溃问题，即通过使用多个鉴别器和将每个微批次中的样本分配到不同的鉴别器来逐步改变鉴别器的任务，从而强制生成器创建多样的样本以减少损失。

Jan, 2020

通过引入一种简单的方法，使真实数据分布经过一个‘透镜’传达给辨别器，让生成器逐步揭示出更多细节特征，改善了 GAN 训练的质量、稳定性和收敛速度，对各种 GAN 架构如 DCGAN、LSGAN、WGAN-GP 都可行。

Feb, 2018

从在线持续学习的角度出发，提出了一种新颖的 GAN 方法，通过将生成的数据视为流来训练鉴别器模型，并自动检测其阻塞并动态遮罩其特征，使其能够适应临时变化的生成数据分布。实验结果表明，该方法优于现有的最先进方法。

Jun, 2023

本文研究发现，通过针对特定生成器选择具有强鉴别能力的鉴别器以学习 Wasserstein 距离下（或者在很多情况下是 KL 散度下）的分布，一定能以多项式复杂度学习，从而解决了 GANs 过于简单导致模式严重缺失的问题。

Jun, 2018

介绍一种名为 MAD-GAN 的多智能体生成对抗网络架构，可以解决 GAN 领域的模式崩溃问题，实验表明该架构能产生高质量的样本且具有较强的去卷积能力。

Apr, 2017

在生成对抗网络中引入对抗性 Dropout，其中在每个批次结束时，以一定概率省略或退出每个判别器的反馈，从而迫使单个生成器不再只满足单一的判别器，而是满足判别器的动态集合，这导致了产生更加广义的生成器，促进了生成样本的多样性，并避免了 GAN 中经常发生的 mode collapse 问题。并且，通过实验证明了所提出的框架 Dropout-GAN 提高了样本多样性，消除了 mode collapse 并稳定了训练。

Jul, 2018

本文提出了一种新型 GAN 变体 Mixutre Density GAN，通过在判别器嵌入空间中形成聚类来打破生成器的模式崩塌问题，从而发现不同的数据模式，并在生成高质量图像方面表现出色。

Oct, 2018

本文提出了一种新的简单方法，将基于编码器的目标函数与新颖的损失函数相结合，以在丢失模式问题上改进生成对抗网络（GAN）的训练，其中详细分析了玩具和真实数据集的量化和定性结果，证明了该方法在解决缺失模式问题和提高 GAN 训练方面的有效性。

Feb, 2018