我们研究了有条件的对抗性网络作为图像转换问题的通用解决方案，并展示了这种方法在从标签地图中合成照片，从边缘地图中重建对象和彩色化图像等任务中的有效性。

Nov, 2016

本文提出了一种生成式对抗网络的扩展——ARTGAN，用于合成具有抽象特征的艺术品等复杂挑战性图像。通过允许唯一标签信息的反向传播，该方法更快地进行学习并且能够更好地生成高质量的图像。实验显示，ARTGAN 可以创造出逼真的艺术作品，并能够生成全局外观自然、清晰的实际图像。

Feb, 2017

本文提供了生成对抗网络在图像合成中的方法分类、文本到图像合成和图像到图像翻译的不同模型的回顾、以及一些评估指标及未来可能的研究方向。

Mar, 2018

本文介绍了一种名为ModularGAN的多领域图像生成和图像到图像转换的方法，利用可复用和可组合的不同功能模块（例如编码、解码、变换）同时训练，并在测试时根据具体的图像转换任务组合这些模块，以显著提高生成（或转换为）任何所需领域图像的灵活性，并在多领域面部属性转移方面胜过现有方法。

Apr, 2018

本文提出了一种基于循环生成对抗网络（CSGAN）的图像转换方法，使用Cyclic-Synthesized Loss作为新的目标函数。该方法在CUHK Face数据集和CMP Facades数据集上的实验结果表明，相比GAN、Pix2Pix、DualGAN、CycleGAN和PS2GAN等最新技术方法，CSGAN在CUHK数据集上表现最优，同时在Facades数据集上表现出很好的定量和定性综合性能。

Jan, 2019

介绍了一种基于GAN的全新图像到图像翻译方法，其中使用同层网络的潜在空间来保留图像内变换，不再需要约束生成器的循环一致性限制，实现了对高级形状和语境等更复杂领域的转换。

Feb, 2019

该研究提出了一种使用基于条件生成对抗网络的图标设计系统，可帮助设计师更轻松地完成图标的着色任务，并且实现了较高质量的着色效果。

Oct, 2019

本文研究了儿童图书插图作为无配对图像转换的新领域，并提出了一种新的生成器网络来解决当前图像转换模型在样式和内容之间无法取得平衡的问题。同时，本文还提出了一种新的评估框架，通过单独的分类器来考虑内容和样式，并在插图数据集上表现更好。

Feb, 2020

综述文章介绍了生成对抗网络(GANs)在图像合成领域的各种应用，包括图像到图像的转换、融合图像生成、标签到图像映射和文本到图像生成，并总结了基于模型、特定于架构、约束、损失函数、评估度量和培训数据集开发思路等各种领域进展和具体实现，并提出了未来发展的潜在方向。

Dec, 2020

该研究论文探讨图片到图片翻译的问题，以及如何在计算机视觉应用中如上色、修补和分割等方面应用无监督学习和生成对抗网络，并提出两种模型以解决GAN稳定性问题，并得出与文献讨论一致的问题假设。

Oct, 2023