我们提出了一种基于匹配的生成对抗网络，包括匹配生成器和匹配鉴别器，可以在仅有少量图像的情况下生成新图像，并加以验证。

Mar, 2020

该研究提出 Few-Shot GAN (FSGAN)，通过组件分析和学习预训练模型的奇异值，而固定奇异向量，以在少于 100 张图像的情况下进行 GAN 适应。在 5-100 张图像的挑战性少样本设置中，与现有的 GAN 适应方法相比，FSGAN 实现了显著的视觉质量提高。

Oct, 2020

本文介绍了 FusedGAN，一种深度网络，用于具有可控多样性采样的条件图像合成。通过将生成过程解耦为各个阶段，它可以在很高的保真度下执行可控的多样性图像采样，并通过融合两个生成器来实现。我们在文本到图像和属性到人脸生成等细粒度图像生成任务中验证了 FusedGAN 的有效性。

Jan, 2018

本文提出了一种轻量级的 GAN 结构，通过跳过层通道智能激发模块和自监督判别器训练作为特征编码器，实现少量样本进行高保真度图像的合成与生成。与 StyleGAN2 相比，本模型在数据和计算预算有限的情况下具有卓越的性能表现。

Jan, 2021

该论文提出了一种基于 Delta GAN 的少样本图像生成方法，其中的重构子网络和生成子网络一起将输入图像变换为同类别的新图像，并配合对抗性 delta 匹配损失函数使其更加多样化。此方法在五种不同的少样本图像数据集上进行了实验验证其有效性。

Sep, 2020

本文提出一种自适应判别器增广机制，稳定有限数据中生成对抗网络的训练，无需改变损失函数或网络架构，适用于从头开始训练和调优现有 GAN 的情况，并在几个数据集上进行了实证分析，结果表明，仅使用少量的训练图像就可以获得好的结果，通常与 StyleGAN2 的结果相匹配，而使用的图像数量则少了一个数量级。此方法有望扩大 GAN 的应用领域，并发现 CIFAR-10 是一个有限数据基准，在此基础上改进了记录 FID（Fréchet Inception Distance) 由 5.59 到 2.42。

Jun, 2020

该研究论文提出了一种名为 DF-GAN 的新型深度融合生成对抗网络，用于更加高效地合成与文本相匹配的高质量真实图片，并在广泛使用的数据集上取得更好的性能。

Aug, 2020

本论文提出了一种名为 FGGAN 的端到端网络，通过从多视角图像中隐式学习几何变换的方式来学习判别性表征，进而解决精细图像检索中由于姿态变化造成的难点；该网络使用生成式对抗网络（GAN）自动处理复杂视角和姿态的差异，并在开放集情况下能够更好地匹配来自未见过和未知的细粒度类别的图像，与基线相比实现了 10% 的相对改进。

Jul, 2018

提出了一种用于可控的分类文本生成的新型生成对抗网络（GAN）框架，FA-GAN，通过改进文本 GAN 的离散性、训练不稳定性、模式坍缩、缺乏多样性和可控性等问题来生成具有指定类别的句子。实验证明，FA-GAN 在文本分类的六个数据集上的性能始终优于其他 10 种最先进的文本生成方法。案例研究表明，FA-GAN 生成的合成句子能够匹配所需类别，并且具有良好的可读性、流畅性和文本真实性。

Aug, 2023

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