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

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

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

本文提出了一种生成 - 判别式互补学习方法，称为互补条件 GAN（CCGAN），通过建模条件（判别）和实例（生成）分布来提高预测普通标签的准确性和生成高质量实例的能力，同时拥有弱监督下检索真实条件分布的能力，可有效解决缺乏高质量标注数据的问题。

Apr, 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

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

本论文研究了基于离散输入变量的生成式对抗网络（GAN）的分类条件控制（Class-conditioning），提出了一种解决有限数据设置下模式坍塌（Mode-collapse）问题的训练策略，并在四个数据集上进行了全面的实验，结果表明该方法在训练稳定性和生成高质量图像方面具有优异的性能，并与基线模型和最先进方法相比得到了出色的结果。

Jan, 2022

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

本文提出了一种新的投影方法来将条件信息纳入 GAN 的鉴别器中，以尊重条件信息在概率模型中的作用，这种方法与当前应用中使用嵌入向量将条件信息与特征向量拼接的大多数条件 GAN 框架形成对比。通过这种修改，我们能够显著提高基于 ILSVRC2012（ImageNet）1000 类图像数据集的类别条件图像生成质量，并且使用单个鉴别器和生成器对此进行了实现。我们还将这种应用扩展到超分辨率，并成功地生成了高度有区别的超分辨率图像。这种新的结构还使基于参数化功能转换的条件批归一化层的高质量类别转换成为可能。

Feb, 2018

本论文提出了一种基于新的模式亲和力度量的条件生成对抗网络（conditional generative adversarial networks，cGAN）的新连续学习方法，该方法可以在限制样本的情况下学习到目标模式，同时不会对之前学习到的模式造成不利影响；论文采用模拟回放方法不断生成 labeled data 样本，并利用加权标签将目标模式纳入连续学习模型，实现预防灾难性遗忘的目标，实验结果表明该方法在利用更少在训练样本的情况下，比基线模型和现有技术手段显著提高了模型的生成效果。

May, 2023