生成对抗网络的共同进化
COEGAN 使用神经进化和协同进化策略来自动设计神经网络架构，以实现更稳定的 GAN 培训方法。在 Fashion-MNIST 和 MNIST 数据集上的实验表明，COEGAN 能够发现高效的架构，并且避免了常见的模式坍塌问题。
Dec, 2019
我们调查了黑盒共同演化（一种无梯度的协同优化技术和进化计算中的有力工具）作为梯度为基础的 GAN 训练技术的补充，结果表明，共同演化对于逃避退化的 GAN 训练行为是一个有前途的框架。
Jul, 2018
本文提出了一种新的 GAN 框架，名为进化生成对抗网络 (E-GAN)，该框架使用不同的对抗训练目标作为突变操作，通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力，并利用评估机制来衡量生成样本的质量和多样性，从而始终保留最佳基因用于进一步的训练，从而提高了 GAN 的整体训练效果和生成性能。
Mar, 2018
提出了一种基于生成对抗网络驱动的多目标进化算法，通过对父代和子代解进行分类和采样，充分利用生成对抗网络进行有限训练数据的高维优化，取得了理想的效果
Oct, 2019
本文探讨了对生成对抗网络中出现的不稳定性和模态崩溃问题进行改进的方法，通过引入进化计算的原理，将两种促进训练多样性的方法（E-GAN 和 Lipizzaner）进行混合，提出了一种名为 Mustangs 的进化 GAN 训练方法，该方法通过结合了多样性提升的变异和种群方法，实现了更准确更快速地训练 GAN 模型。
May, 2019
生成对抗网络（GANs）在生成高质量的图像方面取得了巨大成功，并因此成为生成艺术图像的主要方法之一。本研究首先使用 Creative Adversarial Networks（CANs）架构的 GAN 进行训练，然后采用演化方法在模型的潜在空间中导航以发现图像。通过使用自动美学和交互式人类评估指标对生成的图像进行评估，并提出一种基于多个参与者的合作评估的人类交互式评估案例。此外，我们还尝试了一种智能变异算子，通过基于美学度量的局部搜索来提高图像的质量。通过比较自动和协作交互进化产生的结果来评估该方法的有效性。结果表明，当演化过程由协同人类反馈引导时，所提出的方法能够生成高度吸引人的艺术图像。
Mar, 2024
本文针对图像翻译中具有复杂架构、参数数量众多、计算复杂度较高的生成器，提出了一种全新的协同进化方法，以减少其内存使用量及乘法操作次数，从而在图像翻译中实现紧凑高效的生成器设计。Experiments 表明，该方法的有效性得到了充分的验证。
Jul, 2019
本文综述了生成模型的最新应用 —— 生成对抗网络（GAN）及其在计算机视觉和机器学习领域的实际应用，讨论了 GAN 训练中的困难和障碍，并调查了不同研究者提出的训练方案，以求实现 GAN 的稳定训练，最后探讨了与该主题相关的新问题和研究方向。
Jun, 2020