本文提出了一种分析框架，旨在通过单元、对象和场景级别的可视化来理解生成对抗网络的内在表示，揭示其形成图像的因果关系，探究其结构选择对 GAN 学习的影响，提出了移除图像错乱因素的方法，并提供开源的理解工具。

Nov, 2018

本研究提出了一个新的概念 local activation，通过测量 local activation，可以检测出 GANs 生成的有缺陷的图像。经过实验证明，本方法可以应用于不同数据集的 GANs 中，帮助用户检测和纠正有缺陷的生成图像。同时，通过几何分析，部分揭示了本研究的概念与低视觉保真度之间的关系。

Dec, 2021

本研究分析了通过使用 “顺序消蚀法” 对生成对抗网络 (GANs) 的输出图像上的缺陷进行修复的可行方法，并探索了稀疏激活神经元如何导致图像中的 “缺陷物体” 出现问题。

Jan, 2022

本文介绍了一个分析框架 —— 网络分解，通过该框架系统地识别图像分类和图像生成网络中单个隐藏单元的语义，作者使用该框架分析卷积神经网络和生成对抗网络模型并应用于理解对抗攻击和语义图像编辑。

Sep, 2020

该论文提出了一种新颖的概念学习框架，用于增强视觉分类任务中模型的可解释性和性能，通过将非监督解释生成器附加到主分类器网络中，并利用对抗训练的方式，使模型从潜在表征中提取视觉概念并与人可解释的视觉属性隐式对齐，该方法的实验结果验证了其稳健性和产生一致的概念激活，同时研究了对抗训练协议中的扰动对分类和概念获取的影响，从而实现了构建具有任务对齐概念表征的内在可解释深度视觉模型的显著进展，为开发可信任的用于真实感知任务的人工智能提供了关键支持。

Jan, 2024

本研究探讨和提出了这些框架的分类法及其在各种图像到图像合成和文本到图像合成应用中的使用。

Aug, 2019

本文主要讨论生成对抗网络的应用和基本操作，介绍了 GAN 如何学习高维度、复杂的真实数据分布，并不需要假设分布，同时讨论了 GAN 加入自动编码器框架、用于图像合成、图像编辑和分布学习等多种变体。

Nov, 2017

生成对抗网络（GANs）是在多个领域中生成逼真、多样化数据的强大工具。本研究综述了 GANs 的潜在架构、验证指标和应用领域，并探讨了 GAN 与 Jensen-Shannon 散度之间的深刻联系以及 GAN 框架的最优性特征。对 GAN 变体的效率、模型架构以及训练障碍和解决方案进行了评估，并详细讨论了 GAN 与 Transformer、物理信息神经网络、大型语言模型和扩散模型等新开发的深度学习框架的整合。最后，揭示了该领域的若干问题和未来研究方向。

Aug, 2023

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

本文研究如何扩展 GAN 模型可达到的视觉效果，通过在生成器参数空间中探索方向，发现了许多可解释性方向，这是非常重要的，因为这些方向可以用于语义操作，这些操作无法通过转换潜在的向量代码实现。

Nov, 2020