这篇论文提出了一种简单而高效的方法来解决条件生成式对抗网络（cGAN）中的模式崩塌问题，它通过显式地规范化生成器以产生不同的输出来控制可变因素，从而在视觉质量和多样性之间实现平衡，这种方法在图像翻译、图像修补、未来预测等多个条件生成任务中取得了出色的效果。

Jan, 2019

本文介绍了在条件生成任务中通过正则化来处理 cGAN 模型中的 mode collapse 问题，提出了一种简单而有效的正则化项，最大化图像生成的潜在编码距离的比例以增加模型探索轻微模式的能力，此正则化方法可广泛应用于各种不同的条件生成任务中，不会增加训练负担或修改现有的网络结构，实验证明该方法在提高多样性方面效果显著。

Mar, 2019

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

本研究提出了一种基于多元鉴别器协同训练的生成对抗网络 GenCo，通过提供多角度的监督信息减轻鉴别器过拟合问题，该方法在有限的训练数据下达到了优越的图像生成结果，并通过与数据增强方法相结合获得了更加稳定且明显的性能提升。

Oct, 2021

本文提出 Composition-by-Decomposition 网络，采用两个独立分布的物体生成具有真实纹理和形状的合成图像，以此捕捉多物体之间的空间相互作用关系，从而在生成场景方面获得更好的效果。

Jul, 2018

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

本文提出了多项改进，包括新型的双重对比损失和重塑注意力机制，来加强生成对抗网络的无条件图像生成能力，在多个基准数据集上将最先进的状态压制得更为出色。

Mar, 2021

该研究旨在通过使用基于条件生成对抗网络（CGAN）的新框架来提高图像字幕生成的自然性和多样性，其中一个生成器可以根据图像生成描述，并使用一个评估器来评估描述与视觉内容的匹配程度。

Mar, 2017

本文提出了联合生成对抗网络 (CoGAN) 用于学习多域图像的联合分布。 与现有方法相比，CoGAN 可以在不需要不同域中对应图像元组的情况下，仅通过来自边际分布的样本学习联合分布，并将其应用于许多联合分布学习任务，包括颜色和深度图像的联合分布以及具有不同属性的脸部图像的联合分布。 此外，对于域自适应和图像转换，也展示了其应用。

Jun, 2016

提出了一种简单而有效的无监督方法，通过使用聚类方法自动地生成类别标签，来训练条件生成对抗网络模型（GAN 模型）生成多样而逼真的图像，这种方法在处理模式崩溃方面表现优异，同时在 ImageNet 和 Places365 等大规模数据集上产生多样化的图像，比以前的方法提高了标准的质量指标。

Jun, 2020