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

提出了一种分组生成对抗网络 (SG-GAN) 的方法，可在少量标记数据的情况下识别图像并进行多任务学习，通过实验验证在面部图像处理方面的优越性能。

May, 2018

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

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

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

本文提出了 SwitchGAN 来进行多领域人脸图像翻译。使用更自适应的辨别器结构和匹配的生成器来解决现有方法中存在的领域分布匹配的问题。引入基于特征切换的操作来进行特征选择和融合。实验结果表明，我们的模型在 Morph、RaFD 和 CelebA 数据库上均能取得比 StarGAN、AttGAN 和 STGAN 更好的翻译结果。此外，我们还引入了一种控制属性强度并提取内容信息的新功能。

Nov, 2021

本文中提出的基于属性标签限制的模型，可以通过在预定义的潜在特征空间中直接应用属性标签并使用属性分类损失，从图像中提取属性相关信息，以实现用于编辑多个属性的面部属性传输，同时通过设计新的模型结构来提高属性传输能力。在 CelebA 数据集上的实验结果表明，该方法有效地克服了其他方法存在的三个限制。

Dec, 2019

本文提出了 VecGAN 这样一个图像对图像的转换框架，它针对面部特征进行属性编辑，利用可解释的潜在方向解决精确属性编辑的挑战，并实现了对于其他图像属性的保全。该框架可以通过采样或项目编码从参考图像中获取标量值，整个模型通过端到端的训练，可以实现全局和局部修改，相较于现有技术取得了更好的效果。

Jul, 2022

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

通过将选择性转移单元与编码器 - 解码器网络和生成对抗网络相结合，本文提出了一种属性编辑模型，可以有效地提高感知质量和属性操纵准确性。

Apr, 2019