本文提出了一种新的对抗一致性损失函数用于无配对图像转换，它可以更好地处理像素级别的约束和几何变换，在去除大型物体和忽略不相关纹理方面表现出色，获得了当前三个有挑战性的图像转换任务，即眼镜去除、男变女和自拍变动漫的最好表现。

Mar, 2020

该研究论文介绍了一种用于图像翻译的无监督学习方法，采用对抗性和循环一致性损失将源域图像翻译到目标域中，并且在多项任务上的实验结果表明该方法优于之前的方法。

Mar, 2017

本文针对 GAN 模型在非对称翻译任务中的不足，提出了一种 AsymmetricGAN 模型，采用不对称大小和不同参数共享策略的翻译和重建生成器，以适应不对称需求，在无监督和有监督的图像翻译任务中，提出了不同的优化损失来提高 AsymmetricGAN 的训练效果和稳定性，并通过多个公开数据集的实验，证明了该模型比现有的 GAN 模型具有更强的模型能力和更好的生成效果。

Dec, 2019

通过将单一翻译分解为多阶段变换并开发一种自适应融合块，我们提出了新颖的堆叠循环一致性对抗网络（SCANs），以在粗糙到精细的方式下提高图像翻译质量并实现更高分辨率的图像翻译。

Jul, 2018

介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法，通过非监督学习来解决图像转换问题，实现了不同域之间的图像转换，并且在多样性方面表现出了很好的通用性。

Jan, 2017

本文介绍了一种利用多个输入域来实现图像翻译的方案，使用基于生成对抗网络的多模式生成器结构和一种新的损失项，潜在一致性损失，实现了比现有无监督图像到图像转换方法更好的转换效果。

Nov, 2017

该研究论文探讨图片到图片翻译的问题，以及如何在计算机视觉应用中如上色、修补和分割等方面应用无监督学习和生成对抗网络，并提出两种模型以解决 GAN 稳定性问题，并得出与文献讨论一致的问题假设。

Oct, 2023

Sem-GAN 提出了一种语义一致的 GAN 框架，用于多模态图像翻译任务。该框架引入了约束来保持源域的图像标识，同时确保翻译后的图像具有目标域的外观，还指出使用经 Sem-GAN 翻译的合成图像训练的语义分割模型可显著改善分割结果。

Jul, 2018

本文提出了一种基于不确定性感知的广义自适应周期一致性的概率方法，利用广义高斯分布对像素残差进行建模，提高了对于测试数据的强鲁棒性，提高了不成对图像转换的性能。

Oct, 2021

该研究提出了两种新的扩展方法来增强自动编码器的对抗训练，包括环路一致性和输入重建的正则化项，并将目标编码器放置在相应鉴别器的对手位置。结果表明，该方法在欧洲和非欧洲低资源语言中均比最近提出的对抗性和非对抗性方法更加稳健且性能更好。

Apr, 2019