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

使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

Jun, 2023

提出了一种新型的、基于增强现实的自监督辨别器，并利用预测参数作为判别阈值，减弱了旧行的数据不变性，显著提升了数据效率，实验结果优于其他 GANs

May, 2022

本文提出一种自适应判别器增广机制，稳定有限数据中生成对抗网络的训练，无需改变损失函数或网络架构，适用于从头开始训练和调优现有 GAN 的情况，并在几个数据集上进行了实证分析，结果表明，仅使用少量的训练图像就可以获得好的结果，通常与 StyleGAN2 的结果相匹配，而使用的图像数量则少了一个数量级。此方法有望扩大 GAN 的应用领域，并发现 CIFAR-10 是一个有限数据基准，在此基础上改进了记录 FID（Fréchet Inception Distance) 由 5.59 到 2.42。

Jun, 2020

本研究介绍了一种新的训练策略 —— 自适应伪扩充 (Adaptive Pseudo Augmentation,APA)，以鼓励生成器和辨别器之间的健康竞争；APA 通过使用生成器本身来伪装真实数据分布，有效地减轻了过度拟合问题。该训练策略简单而有效，可无缝地添加到功能强大的 GAN 中，如 StyleGAN2，且计算成本极低。

Nov, 2021

本研究系统地研究了不同数据扩增技术在 GAN 训练中的有效性，并提供了关于如何扩增图像以改善生成图像保真度的见解和指南。我们还发现如果在真实图像和生成图像上使用扩增技术，即使只使用原始 GAN，也可以达到与最新技术成果相当的生成质量。如果结合对比损失和一致性正则化等其他扩增技术，生成图像的质量会更进一步提高。最后，我们使用一致性正则化和对比损失来提供了 CIFAR-10 条件生成的新的最先进结果。

Jun, 2020

该论文介绍了一种新的生成对抗网络模型，称为 PresGAN。PresGAN 可以有效减少 “mode collapse” 现象，并且通过优化熵正则化对抗性损失，并添加噪声，使得可以估算概率密度。实验结果表明，PresGAN 生成的样本质量高，且可以有效缩小传统 GAN 和变分自编码器之间预测对数似然的差距。

Oct, 2019

本研究使用生成对抗网络（GANs）的目标函数来学习与源数据集不可区分的目标特征，并将其扩展到强制学习通过特征增强在特征空间进行培训的无监督域自适应任务。结果表明，强制进行域不变性和执行特征增强可以导致几个无监督域适应基准测试的优秀或相当的性能。

Nov, 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

该论文概述了生成对抗网络 (GAN) 在农业图像分析中的应用，并对其在植物健康、水产养殖、动物饲养、果实检测等方面进行了系统回顾，讨论了 GAN 的挑战和机遇。

Apr, 2022