本文提出了三种新的课程学习策略，通过使用现有技术的图片难度预测器估计难度分数，分别将训练集图片分成逐渐困难的批次、为判别器引入考虑真实图片难度分数的课程损失函数以及从不断进化的分布中采样易于处理的图像，实验证明相较于传统的训练方法，在图像生成和转换任务中，这些策略能更快地收敛且产生更好的结果，例如使用最佳课程学习策略训练的经过谱归一化的 GANs 在 CIFAR 图像生成任务中，能以 25.0% 的比例成功欺骗人类标注者，而使用传统训练方法的 GANs 只有 18.4%，类似地，在图像转换中，使用课程学习训练的 CycleGAN 喜好程度为 40.5%，而基于传统训练的 CycleGAN 只有 19.8%，39.7% 的情况被视为平局。

Oct, 2019

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

通过渐进增加模型层数的方法，生成对抗网络在训练中实现速度和稳定性的提升，并取得了空前的图像质量和变异性，同时提出了新的 GAN 结果评估指标，取得实验成功。（keywords 中包含：生成对抗网络、逐步增长、图像质量、Inception 分数、实现细节等）

Oct, 2017

本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

Oct, 2017

本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络（GANs）框架，并着重讨论了 GANs 的两个应用程序：半监督学习和图像生成。使用我们的技术，我们在 MNIST，CIFAR-10 和 SVHN 的半监督分类方面取得了最先进的成果，并呈现了高质量的生成的 MNIST 和 CIFAR-10 图像样本和 ImageNet 样本，呈现出 ImageNet 类可识别特征的学习过程。

Jun, 2016

本研究提出了一种名为 Chekhov GAN 1 的训练方法，将 GAN 的训练问题视为在零和博弈中找到一种混合策略，结合在线学习的思想，理论和实践证明了该方法收敛于半浅 GAN 体系结构，提高了稳定性和性能。

Jun, 2017

本文使用生成对抗网络的生成结果作为认知组件，以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时，本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构（包括转移学习和数据增强技术），并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明，本方法对该上下文的实施非常有效，将作为一个由人与机器共同设计的工作流程进一步评估。

May, 2023

研究反对派深度学习中的两个重要概念 - 对抗性训练和生成对抗性网络（GAN），这些概念可以相互增强并开发出一种名为 Rob-GAN 的框架，旨在同时提高 GAN 训练的收敛速度、合成图像的质量和鉴别器在强对抗性攻击下的强度。

Jul, 2018

本文旨在为数学家提供适用的 GANs 理论解释，概述 GANs 的训练问题和拓扑学和博弈论视角如何贡献于我们理解和实践 GANs 的技术的正面和反面结果。

Jun, 2018

通过引入一种新的梯度分解方法，将生成式对抗网络（GANs）分为对称 GAN 和非对称 GAN 并进行统一，在一个阶段内有效地训练了两者，以此减轻了训练的工作量，并在各种数据集和网络架构上实验证明了 1.5 倍的加速效果。

Feb, 2021