探索了无配对图像翻译技术在手术应用中生成具有语义一致性数据的可行性，并发现结构相似性损失和对比学习的简单组合方法取得了最有希望的结果。定量分析表明，使用这种方法生成的数据具有更高的语义一致性，可以更有效地用作训练数据。
Sep, 2023
提出了一种新的神经网络结构来解决单张图像类比的问题，我们的网络是一个修改后的变分自编码器（VAE），支持有监督的训练和结构相似性目标的输出评估，通过对于 62 个字体从单个样例字母的生成展示出比现有技术更优异的结果。
Mar, 2016
介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法，通过非监督学习来解决图像转换问题，实现了不同域之间的图像转换，并且在多样性方面表现出了很好的通用性。
Jan, 2017
通过引入结构感知偏置的 UNet Structured Transformer（UNest）架构，本研究成功提高了在无配对数据的情况下进行医学图像合成的性能，实现了新的医学图像合成方法，在三个模态（MR、CT 和 PET）的两个公共数据集上，相对于最近的方法改进了高达 19.30% 的六个医学图像合成任务的性能。
Jun, 2024
使用 Image-to-Image 翻译网络将输入图像及其深度图及面部对应图映射起来，可通过几何细化过程提供多种严格的人脸重建，只需在合成数据上训练即可对本地面部图像进行精确和鲁棒的重建。
Mar, 2017
本文提出了第一个半监督（半配对）的框架，用于标签到图像的翻译，使用输入重构任务并利用条件鉴别器来作为反向生成器，证明了所提出模型在标准基准测试中优于现有的无监督和半监督方法，同时使用更少的配对样本。
Jun, 2023
本研究提出了一种名为 “Deep Image Analogy” 的新技术，该技术通过找到两个输入图像之间有意义的密集对应关系，实现跨图像的视觉属性转移，包括风格、质感和颜色等，证明了该方法在多种情况下的有效性。
May, 2017
本研究扩展了一种可扩展的多分布翻译机制，其翻译模型不仅可以从一种分布转换为另一种分布，还可以堆叠以创建复合翻译函数，并使用解耦训练机制进行多分布训练，该机制可以生成具有训练集中未见特征的图像，并通过定性和定量的分析进行样本的可靠性评估。
Apr, 2018
本论文提出一种基于生成对抗网络和网络设计的少样本无监督图像转换算法，通过在基准数据集上的大量实验验证与多种基线方法比较，证明了提出的框架的有效性。
May, 2019
本文介绍了一种基于共享潜在空间假设和 Coupled GANs 的无监督的图像到图像翻译框架，并在多个挑战性的无监督图像翻译任务中取得了高质量的翻译结果，同时也应用于域自适应并实现了最先进的基准数据集性能。