该研究使用增量算法AdaGAN训练Generative Adversarial Networks（GAN）来解决GAN模型中出现的missing modes问题，并且证明了当每一步是最优的时候，这种增量方法可以在有限步数内收敛到真实分布，否则以指数速度收敛。

Jan, 2017

介绍一种名为MAD-GAN的多智能体生成对抗网络架构，可以解决GAN领域的模式崩溃问题，实验表明该架构能产生高质量的样本且具有较强的去卷积能力。

Apr, 2017

这篇论文通过对多个GAN算法的大规模实验研究得出，大多数模型在经过足够的超参数优化和随机重启后可以达到类似的分数，建议未来的GAN研究应该基于更系统和客观的评估程序，同时提出了一些可用于计算精度和召回率的数据集。

Nov, 2017

本论文使用预训练自编码器的代表特征隐式规范鉴别器，通过影响反向和正向KL距离使得GAN的训练更稳定，在图像质量和多样性上都有提高。

Jan, 2018

本文从实用角度出发，分析评估生成对抗网络的常见错误和可重现性问题，并提供预训练模型。

Jul, 2018

对GAN领域中的高质量图像生成、图像生成的多样性和稳定训练等三个实际问题的研究进展进行了详细回顾和分类，同时讨论了GAN在计算机视觉中最成功的应用并提出了未来的研究方向。

Jun, 2019

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

通过对分布优化的角度重温和定义 DE-GAN，将现有方法分类为数据选择、GANs 优化和知识共享三个类别，总结了 Data-Efficient GANs 的特性、挑战与解决方案，并试图突出当下问题和未来方向。

Apr, 2022

生成对抗网络（GANs）是在多个领域中生成逼真、多样化数据的强大工具。本研究综述了GANs的潜在架构、验证指标和应用领域，并探讨了GAN与Jensen-Shannon散度之间的深刻联系以及GAN框架的最优性特征。对GAN变体的效率、模型架构以及训练障碍和解决方案进行了评估，并详细讨论了GAN与Transformer、物理信息神经网络、大型语言模型和扩散模型等新开发的深度学习框架的整合。最后，揭示了该领域的若干问题和未来研究方向。

Aug, 2023

生成对抗网络（GANs）已经成为计算机视觉领域的工作马，近年来在生成模型的研究中发挥了重要作用。这篇综述论文以时间顺序呈现了关于GAN的理论和应用的多个重要的里程碑研究工作，填补了现有综述中缺失的从时间角度出发解决多个GAN模型的挑战的方面。

Nov, 2023