学习清洁：GAN 透视
该研究提出了一种名为 DE-GAN 的文档增强生成对抗网络框架，通过条件 GAN 对严重降解的文档图像进行恢复，实验证明 DE-GAN 可以在文本清理，二值化，去除模糊和去水印等不同任务中产生高质量的文档修复版本，并且相对于其他最先进的方法，它能够提供持续的改进，证明了该模型将被应用在其他文档增强问题上的灵活性。
Oct, 2020
基于生成式对抗网络的无监督方法在图像去噪方面取得了优异的性能，而我们提出的基于滤波引导噪声提取模块的深度学习策略能够在不增加推理复杂性的情况下显著提高去噪框架的性能。
Aug, 2023
通过修改 cycleGAN 模型，将图像去噪问题视为高低噪声域之间的域转换问题，在未配对的视网膜光学相干断层扫描图像上学习这些域之间的映射。在定量和定性评估中，我们展示了这种方法优于其他已有方法，并且结果表明该网络能够区分图像中噪声水平的微小变化。模型的特征映射进一步表明其已学会区分视网膜层和其他不同区域的图像。
Oct, 2019
本研究提出了一个新的统一框架，旨在同时处理噪声消除和噪声生成任务，学习清洁 - 噪声图像对的联合分布，通过生成器映射干净图像到噪声图像和去噪器映射噪声图像到干净图像以逼近联合分布。本文还提出了两个衡量生成的噪声图像质量的指标，并在实验中证明了该方法在真实噪声消除和生成任务中的优越性。
Jul, 2020
通过使用轻巧的条件生成对抗网络，通过调制编码学习任务形式化低照度图像增强，从而学习从低光到正常光图像空间的一对多关系，使我们的推理模型轻松适应各种用户喜好，并在噪声和干净数据集上实现了有竞争力的视觉和定量结果。
Oct, 2021
该研究提出了一种生成高度仿真的实际噪声图像的方法，为深度学习去噪提供了更加真实的数据集，克服了过去需要大量真实噪声 - 干净图像对来进行监督的限制。该方法使用噪声模型进行噪声分布对齐和图像对齐，并通过 Pixel-level 噪声感知生成对抗网络（PNGAN）进行像素级别的噪声域对齐，实现了高质量的去噪效果。
Apr, 2022
本文探讨了使用 GAN 自学习等机制解决自然语言生成中离散输出空间问题；通过实验表明，提出的模型在中文古诗生成数据集上取得了最新的高分，可以生成自由语序和概率性上下文无关语法。此外还介绍了一个条件模型，可根据句子特征生成序列。
May, 2017
该研究论文中介绍了深度生成模型在图像去模糊中的应用，通过利用生成对抗网络以及对抗学习框架，成功地生成了清晰度更高的图像，解决了图像模糊所带来的挑战，并在实际应用中产生了明显的效果。
Dec, 2023
本文提出利用 GAN 学习到的流形对受损图像进行去噪，通过最小化图像空间中的距离来恢复潜变量并生成干净图像，在噪声估计上无需先验知识，相比传统信号处理方法有显著提高。
Mar, 2018
本文提出了一种统一的端到端无监督深度学习模型，可以有效地去除多种噪声类型，包括盐和胡椒噪声、模糊和 / 或褪色文本以及水印等，显著提高了扫描图像的质量和多个测试数据集的 OCR 精度。
May, 2021