使用条件生成对抗网络（conditional GANs）从语义标签图中合成高分辨率照片般真实的图像，并通过使用新的对抗性损失、多尺度生成器和鉴别器体系结构，生成 2048x1024 的视觉吸引力结果。此外，我们将我们的框架扩展到与两个额外功能的交互式视觉操作，它们是：将对象实例分割信息整合进去以进行对象操作（如删除 / 添加对象和更改对象类别），以及提出一种方法，可以在给定相同输入的情况下，生成不同的结果，允许用户交互式地编辑对象外观。人的意见研究表明，我们的方法在深层图像合成和编辑方面的质量和分辨率方面都显着优于现有方法。

Nov, 2017

本文介绍了改进 GAN 训练的新方法，构建了一种包含标签条件的 GAN 变体来生成 128x128 分辨率的、具有全局一致性的照片级别合成图像，并展示了这些高分辨率样本比低分辨率样本具有更高的可区分性和多样性。

Oct, 2016

本研究提出了一种基于本地上下文的语义引导图像生成方法，使用本地类别特定的生成网络构建和学习不同类别的子生成器以捕捉更精细的细节，通过一个分类模块来学习更具有鉴别性的类别特定特征表示，并使用一个注意力融合模块和双鉴别器结构嵌入的联合生成网络集成全局图像级别和本地类别特定生成的优点，同时提出了一种新颖的语义感知上采样方法，可以更好地保持相同语义标签实例的语义一致性。

Feb, 2022

本文主要探讨如何通过线性转换生成图像的特征向量来实现对生成对图像内容的语义控制，并提出了两种基于语义的图像编辑方法：语义条件采样和语义图像编辑。

Apr, 2021

本研究提出了一种新的方法，改进了生成对抗网络（GANs）训练的能力，可以根据文本输入合成多样的图像，这种方法基于条件版本的 GANs，扩展了前人利用判别器中的辅助任务，通过负样本采样来构造积极和消极的训练样例，通过牛津 102 花卉数据集的实验结果表明，生成的图像更具多样性，特别是当负样本逐渐靠近语义空间中的积极样本时。

Dec, 2018

提出了一种新颖的 ECGAN 用于具有挑战性的语义图像合成任务，通过使用边缘作为中间表示，并采用注意力引导的边缘传输模块进行图像生成，设计了一个有效的模块来选择性地突出显示根据原始语义布局的类依赖特征图，通过对比学习方法和多尺度对比学习方法，强化了同一语义类别的像素嵌入生成更相似的图像内容，并利用多个输入语义布局的标记像素结构来明确地探索更多的语义关系。

Jul, 2023

提出一种新的方法 EditGAN，通过修改高分辨率部分分割掩码来实现高质量、高精度的语义图像编辑，同时利用生成对抗网络和条件潜空间优化来实现编辑。

Nov, 2021

本文提出了一种对物体进行语义操纵的新的生成对抗网络方法，使用对比对抗目标而不是直接将合成样本接近目标数据，以生成具有高可视度和合理的对象语义的操作结果，并在多个语义操作任务上展示了我们的模型的优越性。

Aug, 2017

本文提出了一种语义引导场景生成的方法，设计了一个局部类特定的生成网络，配合语义地图和注意力融合模块实现了全局和局部场景细节生成的结合，进而在两个场景图像生成任务上取得了最新的最佳结果。

Dec, 2019

本研究提出了通过增加聚类标签的方法增强条件 GAN 的性能，以达到联合学习和无监督学习中达到 CIFAR-10 和 STL-10 数据集的图像生成的最新水平，即使在无监督设置下同样适用 。

Sep, 2017