本文提出使用图像检索系统辅助图像翻译，从而生成更高质量的图片，实验结果表明该方案是有效的。

Aug, 2020

本文提出了一种基于实例感知的图像翻译方法，通过使用细粒度的本地和全局风格来处理目标图像，从而实现更准确的线性重建并结合不同对象的多样属性，同时为目标域的局部和全局领域分别使用与源域相应空间区域匹配的风格，从而在精细度和粗糙度上同时受益，改进全局转换的质量，最后基于此方法构建了新的基准测试集并通过实验验证可以帮助实现通用对象检测。

May, 2019

本研究提出了一种多模态无监督图像到图像的翻译框架 (MUNIT)，该框架可以将图像表示分解为内容代码和风格代码，从而能够生成来自给定源域图像的多样性输出，并能够通过提供示例样式图像来控制翻译输出的风格。该框架在对比最先进的方法的基础上，通过大量实验证明了其优势。

Apr, 2018

本文提出了一种无监督、基于对比学习的图像翻译方法，其主要思想是学习一个判别器，将不同的图像风格区分开来，并使其监督生成器将这些风格在图像之间进行转移。实验结果表明，该方法在视觉质量和翻译准确度方面优于当前领先的无监督基线模型。

May, 2021

本文提出了使用原型自监督学习控制风格关注的鉴别器，同时作为评论家和风格编码器来提供条件，以缓解现有图像到图像转换中标签不考虑语义距离所导致输出域控制和插值问题，并基于此进行风格插值，内容移植和局部图像转换。

Mar, 2022

本文提出了一种基于扩散的非监督图像转换方法，使用分离的风格和内容表征，并使用 ViT 模型中的中间键提取多头自注意层作为内容保存损失，并匹配文本驱动风格转移的 [CLS] 分类令牌，同时使用额外的 CLIP 损失，实验结果表明，该方法在文本引导和图像引导的转换任务中优于现有的基准模型。

Sep, 2022

本文介绍了一种在多元和内容丰富的图像上使用单个物体翻译方法的扩展方法，使用基于目标检测的方式对数据集进行扩充，同时提出了一种适应 FUNIT 框架的方法，以利用其他方法中可以看到的目标检测技术的优势。

Jun, 2021

本文提出了一个使用无成对训练数据和单个网络同时训练不同域的多个数据集来学习生成多样化输出的统一框架，并研究了如何更好地提取域监督信息以学习更好的分离表征和实现更好的图像翻译的方法。实验表明，所提出的方法优于或与最先进的方法相当。

Nov, 2019

提出了一种无监督域适应的通用框架，利用添加额外的网络和损失函数，通过使用图像翻译框架和特征提取实现在无需目标域训练数据的情况下，测试源域训练的深度神经网络在不同的目标域上的能力，并在分类和分割任务上，应用于 MNIST、USPS、SVHN 和 Amazon、Webcam、DSLR Office 以及 GTA5 和 Cityscapes 数据集，取得了最先进的性能。

Dec, 2017

本文介绍了一种基于共享潜在空间假设和 Coupled GANs 的无监督的图像到图像翻译框架，并在多个挑战性的无监督图像翻译任务中取得了高质量的翻译结果，同时也应用于域自适应并实现了最先进的基准数据集性能。

Mar, 2017