包容性 GAN：在生成模型中改进数据和少数族裔覆盖率
本文分析并强调 GAN 模型的公平性问题，提出了针对样本组的 GAN 模型调节或采用集成方法的解决方案，避免因训练过程中对某些群体偏好而测试时不能统一生成不同群体的数据分布。
Mar, 2021
该研究使用生成对抗网络 (GANs) 生成面孔，发现在生成图像的过程中，训练数据中的偏见被放大。为了解决这个问题，提出了一种可解释的基准方法来平衡产生的面部属性，从而产生更平衡的数据。同时，该方法具有泛化能力来处理多个属性以及细分组的样本合成，进而用于量化商业人脸属性分类器和人脸超分辨率算法中的偏见。
Dec, 2020
本文提出了一种名为 FairGAN 的公平性生成对抗网络，旨在生成既不带偏见又具有较好数据实用性的数据。与基本的公平数据生成模型相比，FairGAN 还确保了对生成数据进行分类的分类器可以在真实数据上实现公平分类。
May, 2018
本文介绍了公平 GAN，一种生成数据集的方法，这个数据集类似于给定的多媒体数据集，但在分配决策中对受保护属性更公平。我们提出了一种新颖的辅助分类器 GAN，力求实现人口统计学公平或机会平等，并在几个数据集上展示了实证结果，包括名人面孔属性 (CelebA) 数据集、Quick, Draw! 数据集以及一个足球球员图像数据集和他们被罚下的进攻。这种方法适合吸收未标记的数据，我们利用这个方法增强了足球数据集。在生成逼真的图像的同时，方法倾向于改善人口统计学公平和机会平等。
May, 2018
本文提出了一种利用平衡生成对抗网络（BAGAN）进行数据增强的方法，通过包含绝大部分类别的图片，生成模型学习到大多数类别的有用特征，并利用类别条件来驱动生成过程。在不平衡的数据集中，本方法生成的图像质量更优。
Mar, 2018
本文提出了一种新的简单方法，将基于编码器的目标函数与新颖的损失函数相结合，以在丢失模式问题上改进生成对抗网络（GAN）的训练，其中详细分析了玩具和真实数据集的量化和定性结果，证明了该方法在解决缺失模式问题和提高 GAN 训练方面的有效性。
Feb, 2018
本文提出了一种简单而有效的方法，通过诊断和强调 GAN 训练过程中未表示的训练样本，从而提高 GAN 在各种数据集上的性能，特别是在改善样本生成的质量和多样性方面对于少数派群体非常有效。
Feb, 2021
该论文研究了生成模型的视觉泛移能力，发现虽然目前的生成对抗网络（GAN）可以很好地拟合标准数据集，但它们仍然没有成为视觉流形的全面模型。同时，研究者还发现这些模型反映了训练数据集的偏差，并提出了一些缓解问题的技术。
Jul, 2019
这篇论文提出了一种简单而高效的方法来解决条件生成式对抗网络（cGAN）中的模式崩塌问题，它通过显式地规范化生成器以产生不同的输出来控制可变因素，从而在视觉质量和多样性之间实现平衡，这种方法在图像翻译、图像修补、未来预测等多个条件生成任务中取得了出色的效果。
Jan, 2019