本文提出了第一个专为 GAN 训练而设计的神经架构搜索算法 AGAN。通过 AGAN 在 CIFAR-10 数据集上的实验证明，该算法可以自动搜索到优于同一正则化技术下现有最先进模型的神经网络结构。在 $32 imes32$ 的分辨率下，该算法自动搜索的网络结构的表现也能够胜任监督学习任务，并且在其它图像生成任务中可进行迁移学习。

Jun, 2019

本文提出了一种专为生成对抗网络（GAN）设计的 AdversarialNAS 方法，它是第一种能够同时搜索生成器和鉴别器架构的方法，并且不需要计算任何额外指标以评估搜索架构性能，该方法在 CIFAR-10 上取得了新的最优状态下的 FID 分数 10.87 和高竞争的 Inception Score 8.74，并且也在 STL-10 上取得了新的最优状态下的 FID 分数 26.98 和 Inception Score 9.63。

Dec, 2019

本研究提出了一种名为 DEGAS 的新型策略，旨在通过差分架构搜索策略和全局潜在优化过程，有效地找到对抗生成网络（GAN）中的生成器，在此基础上，在 CTGAN 模型上优于原始成果，并在较短的搜索时间内比基于强化学习的 GAN 搜索方法获得更好的结果.

Dec, 2019

本文介绍了一项有关 AutoGAN 的初步研究，这是将神经架构搜索算法引入生成对抗网络中的首个尝试。通过使用 RNN 控制器来引导搜索生成器构架的变化，实验结果验证了 AutoGAN 在无条件图像生成任务中的有效性，并与当前最先进的手工制作的 GANs 相比，取得了高竞争性的表现。

Aug, 2019

本研究提出了一种名为 Chekhov GAN 1 的训练方法，将 GAN 的训练问题视为在零和博弈中找到一种混合策略，结合在线学习的思想，理论和实践证明了该方法收敛于半浅 GAN 体系结构，提高了稳定性和性能。

Jun, 2017

提出了一种新的深度生成模型 —— 多对抗生成网络（GMAN），以实现高质量图像的生成，相比标准 GAN，使用了多个判别器进行训练，无需调整损失函数，实现了更快、更有效的训练。

Nov, 2016

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

通过构建生成对抗网络的方式，训练了一个具有良好分类性能的判别器对自然图像进行抠图，并采用扩张卷积来提取全局上下文信息，从而实现了对头发等细微结构进行有效抠图。

Jul, 2018

本文提出一种动态增长的 GAN 训练方法，将架构搜索技术作为一个交错步骤与梯度训练相结合，以周期性地寻求生成器和鉴别器的最佳架构增长策略，从而实现了逐步增长训练的好处和更广泛的架构设计空间的改进性能，实现了新的图像生成技术的最新进展，提供了生成器 - 鉴别器平衡和卷积层选择等 GAN 模型设计方面的建设性见解。

Jun, 2021

提出了一种用于离散数据训练生成式对抗网络（GANs）的方法，称为边界寻找 GANs（BGANs）。该方法利用鉴别器估计的差异度量计算生成样本的重要性权重，为训练生成器提供了策略梯度，并证明了该算法在离散图像和字符基自然语言生成方面具有很好的效果。此外，目标函数可以扩展到连续的数据集，可用于提高训练的稳定性，并证明了在 Celeba、LSUN 卧室场景理解和 Imagenet 数据集上，该方法的实用性。

Feb, 2017