本文提出利用 GAN 学习到的流形对受损图像进行去噪，通过最小化图像空间中的距离来恢复潜变量并生成干净图像，在噪声估计上无需先验知识，相比传统信号处理方法有显著提高。

Mar, 2018

本文提供了一种可计算、直接且数学严谨的方法，用于近似高维数据的类流形的微分几何，以及从输入空间到这些类流形的非线性投影。该方法应用于神经网络图像分类器的设置中，在流形上生成新颖的数据样本，并实现了流形上的对抗训练的投影梯度下降算法，以解决神经网络对对抗性攻击的敏感性问题。

Aug, 2023

通过在图像的潜在空间中对对抗样本进行对抗训练以及利用生成模型中学习到的流形信息进行双流形对抗训练，可以大大提高深度学习模型的鲁棒性，从而有效地应对多种新颖的对抗攻击。

Sep, 2020

本文提出了一种使用生成对抗网络的半监督学习方法，通过估计数据流形的切空间并注入不变性到分类器中来提高半监督学习性能，在学习反向映射时提出了改进的方法，并提供了关于假样本对半监督学习过程的影响的见解。

May, 2017

本研究提出一种新的反 - 取证攻击方法，该方法利用梯度下降算法在 Style-GAN 的潜空间中搜索对抗性潜向量，生成高质量的假人脸图像，并能够成功地欺骗主流取证模型，从而达到反 - 取证的目的。

Jan, 2021

本文提出了一种新的图像重构方法，使用卷积神经网络代替投影梯度下降器，并设计出一种反馈机制以确保重构图像与测量结果的一致性。该方法提供了正式的框架以确保传统的 PGD 算法收敛于非凸约束最小二乘问题的局部极小值，并使用一个基于 CNN 的简单框架来训练网络，解决噪声测量下的稀疏视图计算机断层扫描重建问题，相较于现有的基于总变化和 CNN 方法，实现了较大的改进。

Sep, 2017

本文提出了一种基于替代梯度场算法的方法，通过操纵关键点和说明文字等多维条件，搜索新的潜在编码，使得编辑后的图像符合目标条件。实验结果表明该方法在人脸属性调整任务方面表现优异，能够更好地处理图像属性的分离问题。

Apr, 2021

本文提出了一种基于生成对抗神经网络的自然图像流形的学习方法，以及一类图像编辑操作及其在学习到的流形上的实时约束优化方法以实现逼真的图片编辑与生成。

Sep, 2016

提出了一种有监督的语义转换生成模型，用于生成具有真实和合法语义的对抗性样本，实现了从非对抗性样本到对抗性样本的合法过渡。实验结果表明，生成的对抗性样本不仅具有更好的视觉质量，还实现了更高的攻击可迁移性和更有效的模型漏洞解释。

Feb, 2024

本文研究了 GAN 模型难以正确模拟支持在不连通流形上的分布的问题，并提出了使用多个生成器来解决这个问题的方法，并提出了一种新的方法来学习先验分布，并在不需要人工干预的情况下推断所需的生成器数量，以使模型可以学习支持在不连通流形上的分布。本文的贡献包括证明单一生成器 GAN 模型难以正确模拟支持在不连通流形上的分布以及提出了解决这个问题的方法，并通过实验来验证所提出的方法的有效性。

Jun, 2018