针对许多不成对图像翻译应用需要在翻译过程中保持输入内容的语义，而现有的分布匹配方法容易导致翻译出现意义的混淆，本文提出了一种基于对抗学习的方法来实现对输入内容的意义保护，称为 “语义鲁棒性”，该方法使用多尺度特征空间扰动对鲁棒性损失进行优化，能够有效降低输出的语义翻转现象，并在定量和定性方面优于现有方法。

Dec, 2020

探索了无配对图像翻译技术在手术应用中生成具有语义一致性数据的可行性，并发现结构相似性损失和对比学习的简单组合方法取得了最有希望的结果。定量分析表明，使用这种方法生成的数据具有更高的语义一致性，可以更有效地用作训练数据。

Sep, 2023

该文提出了一种结合无配对图像转换和神经渲染的新方法，将模拟的外科腹部场景转化为真实的图像，并实现了长期的一致视频合成。

Mar, 2021

本文提出了一种基于生成对抗学习框架、伴随有空间–时间对抗性目标的视频生成方法，可高效地从语义分割掩膜、素描和姿势等多种输入格式生成 2K 分辨率、30 秒长的逼真视觉效果的视频，此方法成功优化了视频生成技术的最新发展状态，并被应用于未来视频预测。

Aug, 2018

本文利用深度递归神经网络，结合短期、长期以及感知上的损失，为视频处理提供了一种基于帧的将原始视频和处理后的视频作为输入，生成时间上连贯的视频的方法，实现了对多种需求的处理，且无需光流计算，具有实时性能。

Aug, 2018

通过使用基于内容的掩码来降低内容不一致性，并通过引入局部鉴别器和特征注意解规范化来减少产生的伪影，该方法在逼真的模拟至真实图像转换和天气转换中实现了最先进的性能，同时在日夜转换中表现良好，并提出了基于类别的翻译质量评估指标 sKVD 和 cKVD。

Sep, 2023

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

本研究提出了一种基于零样本文本引导的视频到视频转换框架来适应图像模型到视频的应用，在形状、纹理和颜色上强制执行分层的跨帧约束，实现低成本下的全局样式和局部纹理的时空一致性。

Jun, 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

本文提出了一个新的基于运动引导的循环一致性生成对抗网络，称为 Mocycle-GAN，该网络将运动估计集成到无配对视频翻译器中，可用于视频合成。通过对视频到标签和标签到视频的翻译进行广泛的实验，与最先进的方法相比，我们报告了卓越的结果。更明显地，我们定性地演示了我们的 Mocycle-GAN 在花朵和环境条件转移中的应用。

Aug, 2019