基于结构和颜色条件的对抗着色图标生成
本文提出了一种生成式对抗网络的扩展——ARTGAN，用于合成具有抽象特征的艺术品等复杂挑战性图像。通过允许唯一标签信息的反向传播，该方法更快地进行学习并且能够更好地生成高质量的图像。实验显示，ARTGAN 可以创造出逼真的艺术作品，并能够生成全局外观自然、清晰的实际图像。
Feb, 2017
本研究提出一种利用两个神经网络联合工作的方案，分别基于线条轮廓和彩色方案完成抠图和上色。通过限制传递的彩色方案信息进行泛化，最终实现了从零开始和混乱的彩色方案中进行抠图和上色的自然效果。
Apr, 2017
本研究使用条件生成对抗网络生成了基于12种不同颜色条件的标志，在768个生成的实例中，条件生成部分的精确度和召回率分别为0.8和0.7，这为人工智能能够协助设计师的创作过程以及未来更多方向的研究提供了前瞻性的方向。
Oct, 2018
本文探讨了一种对StyleGAN体系结构的条件扩展方法，通过使用合成类别条件提高网络的可控性和结果的分辨率，同时研究了提取这些类别条件的方法以增加人的可解释程度。实验证明，条件模型相对于无条件的模型可以更好的嵌入细节，产生更多样化和高质量的输出结果。
Sep, 2019
本文研究了将照片和图标图像进行转换的方法，通过使用生成对抗网络（GAN）中的CycleGAN和UNIT方法实现从照片图像中分割目标对象并生成图标图像，在多个图像数据集上验证CycleGAN具有足够的抽象和简化能力以生成类似图标的图像。
Apr, 2020
本文提出了一种基于色彩直方图的方法HistoGAN，用于控制GAN生成的图像的颜色，同时介绍了扩展方法ReHistoGAN，用于对真实图像进行重新着色，该方法为图像生成和重新着色提供更好的颜色控制方式并产生比现有替代策略更具吸引力的结果。
Nov, 2020
本文介绍了一种基于生成对抗网络的多条件控制方法，通过对大量人类绘画进行训练，生成模拟人类艺术的逼真画作，提供了对生成画作的特征进行精细控制，针对多条件生成，引入了条件截断技巧，并使用一系列评估技术对生成结果进行定量分析。
Feb, 2022
本文提出了一种完整的方法来为Fakemon、动漫风格的怪物图像上色。我们使用自动化提取颜色提示的算法训练网络，并将Pix2Pix和CycleGAN方法结合起来生成最终结果，但上色效果仍有待提高。
Jul, 2023