单个生成器的多领域图像翻译方法 SingleGAN，在多种无配对数据集上显示出明显的优势和普适性。

Oct, 2018

提出了一种无监督的图像翻译框架，使用一对编码器加上一对生成对抗网络来提取不同域之间的高级特征以生成逼真的多样化样本。该框架在许多图像转化任务上展示出与最先进技术相竞争的结果。

Aug, 2020

提出了一种名为 StarGAN 的神经网络模型，能够在一个模型中处理不同类型的图片域，解决了目前单个模型无法扩展处理二个以上图片域的问题，并且从实验结果上证明了该模型相比之前的模型具有更高的图片翻译质量以及更强的灵活性。

Nov, 2017

本文提出了一种新的基于注意力向导的生成对抗网络 (AttentionGAN)，通过生成注意力掩码来识别最具区别性的前景物体，并将生成的输出融合到注意力掩码中，从而获得高质量的目标图像，实验表明，相较于现有的竞争模型，该方法能够生成更鲜明和更现实的图像。

Nov, 2019

本论文提出了一种框架，用于将一个领域的未标记图像转换为另一个领域的类似图像，并使用逐渐增长的跳跃连接编码器 - 生成器结构进行训练，其中应用了 GAN Loss、循环一致性 Loss 和语义一致性 Loss 来保持相同领域的翻译身份，并鼓励网络保留输入的语义特征。作者在人脸图像翻译任务上应用了该框架，并展示了它可以在没有监督一对一图像映射情况下学习人脸图像的语义映射。

Aug, 2018

本文提出了一种基于显式域监督的非配对图像翻译框架 DosGAN，该框架使用分类网络提取每个图像的域特定特征，并使用另一个编码器提取域无关的特征，二者结合生成目标域的图像。该方法在多个数据集上进行了实验，证明了其有效性，并且可以进行任何两个图像之间的有条件翻译，而以前的模型不能处理此任务。

Feb, 2019

本文研究了一种新的有条件的图像翻译方法，并基于 GAN 和双学习处理了无成对数据的问题。实验结果表明该方法有效。

May, 2018

研究如何转移使用 GAN 训练的一个图像领域到一个新的领域，只需一个目标图像；通过使用属性适配器和属性分类器的轻量级模块，对生成器和鉴别器进行改进，从而提高合成质量和多样性，并在训练过程中约束生成领域的多样性，不仅在各种设置下带来了具有吸引力的结果，而且能够在几分钟内提供稳健的收敛。

Nov, 2021

该文介绍了一种基于生成对抗网络 (GANs) 的双生成器生成对抗网络 (G$^2$GAN) 方法，可以通过一种单一模型实现多个领域的非配对图像转换，并研究了不同的优化损失，以提高稳定性。该方法在 6 个公共数据集上进行广泛实验，证明了其相对于现有的 GAN 模型在模型容量和图片生成性能上具有卓越的优势。

Jan, 2019

本文介绍了一种名为 ModularGAN 的多领域图像生成和图像到图像转换的方法，利用可复用和可组合的不同功能模块（例如编码、解码、变换）同时训练，并在测试时根据具体的图像转换任务组合这些模块，以显著提高生成（或转换为）任何所需领域图像的灵活性，并在多领域面部属性转移方面胜过现有方法。

Apr, 2018