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

本文介绍了 FusedGAN，一种深度网络，用于具有可控多样性采样的条件图像合成。通过将生成过程解耦为各个阶段，它可以在很高的保真度下执行可控的多样性图像采样，并通过融合两个生成器来实现。我们在文本到图像和属性到人脸生成等细粒度图像生成任务中验证了 FusedGAN 的有效性。

Jan, 2018

提出了一种简单而有效的无监督方法，通过使用聚类方法自动地生成类别标签，来训练条件生成对抗网络模型（GAN 模型）生成多样而逼真的图像，这种方法在处理模式崩溃方面表现优异，同时在 ImageNet 和 Places365 等大规模数据集上产生多样化的图像，比以前的方法提高了标准的质量指标。

Jun, 2020

本文介绍了改进 GAN 训练的新方法，构建了一种包含标签条件的 GAN 变体来生成 128x128 分辨率的、具有全局一致性的照片级别合成图像，并展示了这些高分辨率样本比低分辨率样本具有更高的可区分性和多样性。

Oct, 2016

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

本论文提出一个创新的框架，利用半监督学习，生成对图像和标签的联合分布进行判别像素级任务，并通过少量标签图像和大量无标签图像的补充进行训练，该方法在医学图像分割和面部分割领域表现出强大的领域内性能，并展示了从 CT 到 MRI 等领域之外的广泛有效性。

Apr, 2021

利用迭代方法的变分技术，基于生成模型，研发半监督学习的新算法，解决现代数据分析中处理大规模非标记数据集挑战。深度生成模型与贝叶斯推理结合，灵活、高效、可拓展，为半监督学习提供了有力支持。

Jun, 2014

使用条件生成对抗网络（conditional GANs）从语义标签图中合成高分辨率照片般真实的图像，并通过使用新的对抗性损失、多尺度生成器和鉴别器体系结构，生成 2048x1024 的视觉吸引力结果。此外，我们将我们的框架扩展到与两个额外功能的交互式视觉操作，它们是：将对象实例分割信息整合进去以进行对象操作（如删除 / 添加对象和更改对象类别），以及提出一种方法，可以在给定相同输入的情况下，生成不同的结果，允许用户交互式地编辑对象外观。人的意见研究表明，我们的方法在深层图像合成和编辑方面的质量和分辨率方面都显着优于现有方法。

Nov, 2017

提出了一种基于黑盒知识蒸馏的 GAN 模型压缩方法，将 BigGAN 作为教师网络，用较少的参数训练学生网络以模拟其功能，有效地缩小模型规模并在图像生成方面取得了有竞争力的表现。

Sep, 2020

本文介绍了 Cluster-aware Generative Model 这一基于深度生成模型的半监督学习方法，利用未标记的数据点探索数据自然聚类模式，同时引入部分带标记的数据对模型进行优化，有效提高了模型性能。该模型也能够在完全无监督的情况下实现优异的对数似然性能。

Apr, 2017