本文介绍了生成对抗网络的成功因素，并提出“生成潜在优化”框架来训练深度卷积生成器，实现了可视化合成、样本插值等功能，同时不需要对抗优化方案。

Jul, 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

本研究探讨了一种名为SGAN的备选训练方法，通过该方法，多个对抗的“本地”网络对可独立进行训练，以便“全局”监督网络可以针对它们进行训练，以提高模式覆盖性能。实验结果表明，该方法在减轻模式崩溃、稳定收敛和加速收敛方面都表现出优于标准训练的性能。

Dec, 2017

本文介绍了使用生成式对抗网络和正交正则化训练的大规模条件图片生成方法，并提出了一种截断技巧来控制生成器输入方差，从而在生成高保真度和多样化样本方面实现平衡。该方法应用于ImageNet数据集上，在128x128分辨率下，IS（Inception Score）为166.5，FID（Frechet Inception Distance）为7.4，表现超过之前的方法。

Sep, 2018

本文文献是关于生成对抗网络（GAN）框架及其在视觉合成领域的应用和算法进行概述，包括图像翻译、处理、合成高分辨率照片等，并讨论其在内容创作中的应用。

Aug, 2020

本文提出了一种自监督方法（LT-GAN）来提高生成对抗网络的生成质量和图像多样性，通过估计GAN引起的变化，即通过扰动生成器的潜空间引起的生成图像的变换，从而促进了关于潜在变换的语义连贯的图像的合成。实验证明LT-GAN在各种数据集上的有效性以及在CelebA-HQ和ImageNet上改善受控图像编辑方面的帮助。

Oct, 2020

综述文章介绍了生成对抗网络(GANs)在图像合成领域的各种应用，包括图像到图像的转换、融合图像生成、标签到图像映射和文本到图像生成，并总结了基于模型、特定于架构、约束、损失函数、评估度量和培训数据集开发思路等各种领域进展和具体实现，并提出了未来发展的潜在方向。

Dec, 2020

本文提出了一种不需要训练的基于补丁的优化框架，比单个图像GAN方法快1000~10000倍，并产生比任何以前的方法（无论是基于GAN还是基于经典补丁的方法）更优越的结果和更真实的整体结构，应用广泛，如图像编辑和重塑大小。

Mar, 2021

通过对分布优化的角度重温和定义 DE-GAN，将现有方法分类为数据选择、GANs 优化和知识共享三个类别，总结了 Data-Efficient GANs 的特性、挑战与解决方案，并试图突出当下问题和未来方向。

Apr, 2022

对GANs和VAEs进行贝叶斯非参数方法的融合，使用Wasserstein和最大均值差异度量在损失函数中结合以学习潜在空间并生成多样且高质量的样本，实现在异常检测和数据增强等各种生成任务中卓越性能的新型模型，进一步通过在代码空间中引入额外的生成器来增强模型的能力，可用于各种应用的更强大的生成模型。

Aug, 2023