使用基于生成对抗神经网络的颜色条件生成标志
本文提出了一种生成式对抗网络的扩展——ARTGAN，用于合成具有抽象特征的艺术品等复杂挑战性图像。通过允许唯一标签信息的反向传播，该方法更快地进行学习并且能够更好地生成高质量的图像。实验显示，ARTGAN 可以创造出逼真的艺术作品，并能够生成全局外观自然、清晰的实际图像。
Feb, 2017
本研究提出了一种利用生成对抗网络通过增加生成的艺术品的新颖性从而实现创造性创作的新系统，研究表明该系统生成的艺术品与当代艺术家创作的艺术品在多个方面得到了人类受试者的高度评价。
Jun, 2017
本文探讨机器学习在设计商标方面的创造性任务中的应用，利用聚类获得的合成标签，对多模态数据的 GAN 训练进行稳定，并展示潜在空间探索技术，以交互方式简化商标设计任务。
Dec, 2017
本研究探讨了结合不同损失函数的图像生成模型在时尚生成中的创新性。通过设计一个评估协议，结合自动度量和人类实验研究，本研究发现，相对于Creative Adversarial Networks所采用的创新性评估标准，本研究所提出的创新性标准更具创意性。以及在新颖性和喜好性方面，本研究所提出的损失函数得分最高。
Apr, 2018
本文探讨了一种对StyleGAN体系结构的条件扩展方法，通过使用合成类别条件提高网络的可控性和结果的分辨率，同时研究了提取这些类别条件的方法以增加人的可解释程度。实验证明，条件模型相对于无条件的模型可以更好的嵌入细节，产生更多样化和高质量的输出结果。
Sep, 2019
利用生成对抗网络（GAN），我们提出了一种基于给定语义属性的条件生成图像的简单而新颖的调节策略，叫做 Directional GAN，在多个公共数据集上获得了平均86.4％的准确率。
May, 2021
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
在本文中，我们提出了一种新颖的对抗生成网络，可以准确地生成具有各种风格的逼真手绘草图，并通过定性和定量评估展示了我们在视觉质量、内容准确性和风格模仿方面的优势，其中应用于SketchIME。
Jan, 2024