提出了一种自动合成图像和分割掩模的方法，利用生成式对抗网络学习将图像分解成前景和背景层，生成高质量数据集并用于训练前景 - 背景分割网络，同时使用前景背景分割网络稳定分层 GAN 的训练。实验证明其生成质量和分割性能与相关方法相似。

Apr, 2021

提出一种利用 StyleGAN 生成的物体进行非监督分割的框架，通过在 StyleGAN2 发生器结构中引入分割分支、将生成器分为前景和背景网络，可使我们以非监督的方式生成前景物体的软分割掩模。根据多个物体类别的实验结果，它可以与最好的非监督分割方法相比实现明显的改善。

Mar, 2021

本论文提出了一种名为 FineGAN 的新型无监督生成对抗网络框架，旨在实现对细粒度物体类别进行分层次生成。FineGAN 采用信息理论将三种因素（背景、目标形状、目标外貌）与潜在代码相关联，并以特定方式进行编码，从而实现所需层次关系，并通过大量实验验证了 FineGAN 的有效性。FineGAN 的代码 / 模型 / 演示可在 URL 中找到。

Nov, 2018

提出了一种简单而有效的无监督方法，通过使用聚类方法自动地生成类别标签，来训练条件生成对抗网络模型（GAN 模型）生成多样而逼真的图像，这种方法在处理模式崩溃方面表现优异，同时在 ImageNet 和 Places365 等大规模数据集上产生多样化的图像，比以前的方法提高了标准的质量指标。

Jun, 2020

本文提出了一种基于生成对抗网络的方法，以隐式关键点作为上下文条件，生成与引导图像细分任务对应的掩模图像。该方法不仅不需要对数据进行标注，而且还可以提高系统对视角和目标位置变化的容忍度。通过生成图像 - 掩模对，本文所提出的方案在公认的基准测试上优于现有的无监督分割方法。

Dec, 2021

本研究针对无监督 few-shot 目标识别，使用两种 GAN 损失函数进行自监督学习，实验结果表明该方法在 Mini-Imagenet 和 Tiered-Imagenet 数据集上显著优于现有技术。

Aug, 2020

本文提出了一种新的无监督条件生成框架：双循环一致性条件生成对抗网络（DC3-GAN），该框架通过引入编码器 - 生成器对，使我们在避免生成过程低多样性和潜在特征平凡性的同时，也可以间接地估计真实条件分布，从而 提高聚类性能和分离性能。

Nov, 2019

该论文提出了一种使用预训练的 GANs 自动提取前景 - 背景特征进行图像分割的方法，并在多个数据集上与现有方法进行了比较，证明其不需要人类监督就能够以良好的效果进行图像分割。

May, 2021

采用独立层合成 GAN (ILSGAN) 的显式独立建模方法，以避免信息泄漏，从而在复杂的实际环境下实现强大的前景 - 背景分割性能，并取得了最先进的生成质量和分割性能。

Nov, 2022

本文提出了一种新颖的端到端 3D 感知图像生成和编辑模型，通过纯噪声、文本和参考图像等多种条件输入，在 3D 生成对抗网络（GANs）的潜在空间中深入研究并提出解缠特性较好的生成策略，同时采用统一框架进行灵活的图像生成和编辑任务，实现多模态条件下的多样图像生成、属性编辑和风格迁移。广泛实验证明，该方法在图像生成和编辑方面在质量和数量上均优于替代方法。

Mar, 2024