该论文提出了一种基于迁移学习和自编码约束的生成对抗网络的训练技巧，可以极大加速高质量图像的训练，并在最优传输的框架下证明了该方法的收敛性和训练距离的精确界限。

Jun, 2019

本文提出一种自适应判别器增广机制，稳定有限数据中生成对抗网络的训练，无需改变损失函数或网络架构，适用于从头开始训练和调优现有 GAN 的情况，并在几个数据集上进行了实证分析，结果表明，仅使用少量的训练图像就可以获得好的结果，通常与 StyleGAN2 的结果相匹配，而使用的图像数量则少了一个数量级。此方法有望扩大 GAN 的应用领域，并发现 CIFAR-10 是一个有限数据基准，在此基础上改进了记录 FID（Fréchet Inception Distance) 由 5.59 到 2.42。

Jun, 2020

从在线持续学习的角度出发，提出了一种新颖的 GAN 方法，通过将生成的数据视为流来训练鉴别器模型，并自动检测其阻塞并动态遮罩其特征，使其能够适应临时变化的生成数据分布。实验结果表明，该方法优于现有的最先进方法。

Jun, 2023

本研究利用预训练的大规模 GAN 模型在有限数据情境下实现了对感知明显目标领域的图像生成，提出了自适应滤波器调制（AdaFM）的方法，证明了此技术在限制数据生成方面的有效性。

Feb, 2020

本文通过分析实际情景下 GAN 的泛化能力，证明了原始 GAN 的损失函数训练得到的鉴别器的泛化能力较差，并提出了一种零中心梯度惩罚策略以改善鉴别器的泛化能力，并保证 GAN 的收敛和泛化。通过在合成和大规模数据集上的实验，验证了理论分析的正确性。

Feb, 2019

本研究提出了一个名为 DeepFD 的深度伪造鉴别器，采用对比损失的方法来检测由不同 GAN 生成的计算机生成图像，实验结果表明，DeepFD 可以有效地检测到几种最新的 GAN 生成的 94.7% 假图像。

Sep, 2018

本文提出了一种新的图像到图像的翻译结构，称为 NICE-GAN。该结构采用判别器来对目标领域的图像进行编码，减少了独立编码器的需求，提高了训练效率。同时，本文提出了一种解耦训练策略来解决培训不一致问题。实验表明该方法在 FID、KID 和人类偏好等指标上优于现有技术。

Feb, 2020

生成对抗网络可生成逼真的面部图像，但在预训练的 StyleGAN3 模型中，鉴别器在图像和面部质量上存在系统性差异，这在性别、种族和其他类别上对图像不公平地影响，我们研究了鉴别器在肤色和亮度上对种族和性别的偏见，并研究了社会心理学中关于刻板印象研究中的常见标准。

Feb, 2024

该研究提出了一种新的方法来减少 GANs 中的模式坍塌问题，即通过引入一种通用的置换不变鉴别器架构来训练一个预测混合批的真假样本比例的不变鉴别器得分来代替传统方式评估单个样本的鉴别器。实验证明，在两个合成数据集上，这种方法有效地减少了模式坍塌，而在 CIFAR10 和 CelebA 数据集上得到了良好的定性和定量结果。

Jun, 2018

本文提出了一种新颖的方法，在测试时显式利用判别器的反馈模块并结合卷积块进行图像生成，旨在提升生成器的结果，实验结果表明这种方法可应用于超分辨率和图像生成领域并提高现有网络的性能。

Nov, 2018