本文介绍了改进 GAN 训练的新方法，构建了一种包含标签条件的 GAN 变体来生成 128x128 分辨率的、具有全局一致性的照片级别合成图像，并展示了这些高分辨率样本比低分辨率样本具有更高的可区分性和多样性。

Oct, 2016

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

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

该论文提出了一种基于两个独立潜变量的结构化生成式对抗网络，通过两个博弈过程最小化y和z的重构误差，并且提高了半监督条件下的图像分类精度以及图像生成质量。

Nov, 2017

本文提出了一种新的投影方法来将条件信息纳入GAN的鉴别器中，以尊重条件信息在概率模型中的作用，这种方法与当前应用中使用嵌入向量将条件信息与特征向量拼接的大多数条件GAN框架形成对比。通过这种修改，我们能够显著提高基于ILSVRC2012（ImageNet）1000类图像数据集的类别条件图像生成质量，并且使用单个鉴别器和生成器对此进行了实现。我们还将这种应用扩展到超分辨率，并成功地生成了高度有区别的超分辨率图像。这种新的结构还使基于参数化功能转换的条件批归一化层的高质量类别转换成为可能。

Feb, 2018

在真/假分类器基础上，通过增加高级辅助分类器，引入一个额外的“假”类来避免混淆生成和真实数据，从而实现快速收敛条件下的图像合成

May, 2018

本文提出了 ContraGAN 的方法，利用条件对比损失函数，考虑同一批次中多个图像嵌入之间的关系 (data-to-data relations) 和数据与类的关系 (data-to-class relations)。实验结果表明，ContraGAN 在 Tiny ImageNet 和 ImageNet 数据集上比现有模型分别提高了 7.3% 和 7.7% 的性能表现，并且对比学习有助于解决判别器过拟合的问题。

Jun, 2020

本论文提出了一个双重投影生成对抗网络(P2GAN)模型，学习在数据匹配和标签匹配之间平衡的方法，并通过改善条件生成式对抗网络(cGAN)模型中的配对方法解决了分类困难的问题，实验结果表明其在多个真实数据集上具有良好的效果。

Aug, 2021

TR0N是一个高度通用的框架，可以将预训练的无条件生成模型转化为有条件模型，从而实现翻译不同空间之间数据协调的目的，它不需要训练数据或微调，但可以达到零样本FID为10.9的结果，且生成速度非常快，同时保持了更高的通用性。

Apr, 2023

基于预训练的确定性条件图像生成模型的网络结构或参数不变，我们通过添加微小扰动攻击输入条件，提出了一种简单高效的插件投影梯度下降（PGD）方法来生成多样且可控的图像，从而为低层视觉任务应用对抗攻击打开了新的可能性。

Mar, 2024