通过提出一种新的正则化方法，我们克服了 GAN 模型分布和数据分布之间维度不匹配的局限性，并证明了该正则化方法在多种常见图像生成任务中的有效性。

May, 2017

研究反对派深度学习中的两个重要概念 - 对抗性训练和生成对抗性网络（GAN），这些概念可以相互增强并开发出一种名为 Rob-GAN 的框架，旨在同时提高 GAN 训练的收敛速度、合成图像的质量和鉴别器在强对抗性攻击下的强度。

Jul, 2018

我们提出了一种新的技术，使用生成对抗网络使神经网络对抗性示例具有鲁棒性，通过交替训练分类器和生成器网络，我们成功地应用于 CIFAR 数据集的监督学习，实验结果表明我们的方法显著降低了网络的泛化误差。这是我们所知道的第一个使用 GAN 改进监督学习的方法。

May, 2017

通过引入一种简单的方法，使真实数据分布经过一个‘透镜’传达给辨别器，让生成器逐步揭示出更多细节特征，改善了 GAN 训练的质量、稳定性和收敛速度，对各种 GAN 架构如 DCGAN、LSGAN、WGAN-GP 都可行。

Feb, 2018

本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

Oct, 2017

本文提出了一种新型的 GAN 结构 ControlGAN，通过将特征分类器与鉴别器分离，设计了一个可以控制样本特定详细特征的生成器，并使用多个图像数据集进行了评估，展示了 ControlGAN 在生成具有良好控制特性的改进样本方面的潜力。此外，我们证明了 ControlGAN 可以为插值和外推输入标签生成中间特征和相反特征，这表明 ControlGAN 可以显着增加生成样本的多样性。

Aug, 2017

本文提出了一种新型的正则化循环一致性生成对抗网络（RCGAN）算法，利用惩罚分布和鉴别器网络的新定义来更好地识别异常样本，经实验结果表明，在多个数据集上，RCGAN 相比当前技术水平有更强的检测异常例子的能力。

Jan, 2020

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

本文综述了在医学图像方面使用对抗性训练方案的最新进展，这种方法利用生成对抗网络，能够在不显式建模概率密度函数的情况下生成数据，具有域自适应、数据增强和图像处理等优点。

Sep, 2018

该论文介绍了一种新的生成对抗网络模型，称为 PresGAN。PresGAN 可以有效减少 “mode collapse” 现象，并且通过优化熵正则化对抗性损失，并添加噪声，使得可以估算概率密度。实验结果表明，PresGAN 生成的样本质量高，且可以有效缩小传统 GAN 和变分自编码器之间预测对数似然的差距。

Oct, 2019