该研究提出了一个基于 7 种 GAN 架构、9 种调节方法、4 种对抗性损失以及 13 种正则化模块、3 种可微增强方法、7 种评估指标和 5 种评估指标的开源库 StudioGAN，通过在多种数据集和三种不同的评估骨干 (InceptionV3，SwAV 和 Swin Transformer) 上训练基于 BigGAN，StyleGAN2 和 StyleGAN3 等最新生成模型的统一训练流水线中的可代表性 GAN，并使用 7 种评估指标量化生成性能的大规模基准测评了各种前沿的生成模型，提供了预训练权重的 GAN 实现、训练和评估脚本。

Jun, 2022

本文通过实证研究代表性生成模型 GAN，深入分析了如何在特征空间中代表数据点、如何使用选定样本计算合理距离以及每组要使用多少个实例等问题。实验结果表明，基于 CNN 和 ViT 的架构都是可靠和稳健的特征提取器，CKA 能够在一种模型中跨越各种提取器和分层层次上产生更好的比较，而且在表征两个内部数据相关性之间的相似性方面，CKA 显示出令人满意的样本效率并补充了现有指标（例如 FID）。这些发现帮助我们设计了一个新的测量系统，以便在一致可靠的方式下重新评估了最先进的生成模型。

Apr, 2023

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

本研究提出了一种基于 GAN 指纹技术的解决方案，名为 RepMix，具备追溯 GAN 生成的图像来源、能够匹配不同的图像且抗干扰变换，并在 semantic 归纳和稳健性方面明显优于现有的 GAN 指纹技术。

Jul, 2022

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

分析和评估了六种开源的 PATE-GAN 实现，发现实现中存在架构偏差，无法复制原始论文的效用性能；在深度隐私评估中，发现所有实现泄露了比预期更多的隐私，并揭示了 17 个隐私违规和 5 个其他错误。

Jun, 2024

本文研究了生成对抗网络（GAN）的评估方法，发现基于核最大均值差（MMD）和最近邻（1-NN）等指标，可以较好地满足评估需要，同时具备区分真实样本与生成样本的性质，并探究了几种著名 GAN 模型的特性。

Jun, 2018

该论文介绍了一种新的方法使用生成对抗网络生成接近真实经济数据的人工数据，而且可以限制研究者的操作，以评估某种统计方法在特定数据集上的性能，从而提高研究的可靠性。

Sep, 2019

本研究着眼于深入评估和比较对于机器学习的通用合成数据的对抗训练效果，并旨在使用未标记的真实数据条件下的合成 - 真实生成模型将合成图像转化为更真实的风格，并通过定性和定量指标进行广泛的性能评估和比较。

Apr, 2023

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