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

利用多个生成器竞争、同时与鉴别器的交互来解决传统 GAN 中的模式崩溃问题，大幅度减少训练时间，同时不影响其性能。

Nov, 2022

本文提出了一种自洽学习的框架，利用生成对抗网络的生成模型和判别模型的博弈优化，使两者协同训练，避免了 GAN 训练不稳定的问题，并在句子语义匹配问题上实现了较好的性能。

Mar, 2023

本研究以新的数据生成过程为基础，揭示了生成对抗网络（GAN）生成器模式崩溃的驱动因素是判别器对先前样本的分类准确性的遗忘，即连续学习中的灾难性遗忘现象。为了解决此问题，我们引入了一种自适应生成额外判别模式的训练方法，可以减轻模式崩溃并提高 GAN 评估的标准度量。

Dec, 2021

本文提出了一种名为双判别器生成对抗网络（D2GAN）的生成对抗网络算法，该算法使用 KL 散度和反 KL 散度，避免了多峰性分布的崩塌问题，并在广泛的实验中证明了与最新 GAN 算法相比的竞争和卓越性能。

Sep, 2017

该研究提出了一种新的方法来减少 GANs 中的模式坍塌问题，即通过引入一种通用的置换不变鉴别器架构来训练一个预测混合批的真假样本比例的不变鉴别器得分来代替传统方式评估单个样本的鉴别器。实验证明，在两个合成数据集上，这种方法有效地减少了模式坍塌，而在 CIFAR10 和 CelebA 数据集上得到了良好的定性和定量结果。

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

本研究重新审视多判别器模型，将不同模型提供的损失的同时最小化作为多目标优化问题，并评估多种数据集上的多梯度下降和超体积最大化算法的性能。我们的结果表明，超体积最大化在样本质量和计算成本之间提供了更好的折衷方案，比之前方法更优。

Jan, 2019

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