本文提出了一种联合框架，通过条件生成无数独特的图像，实现多样性和多映射图像到图像的翻译，使用称为领域嵌入的嵌入表示来表示领域和风格，并在连续的样式插值，连续标签插值和细粒度映射等不同场景下展示其有效性。

Dec, 2018

本研究针对虽然已受到广泛研究但是存在监督训练需求及缺乏编码域信息等问题的不配对图像转换（UIT）提出了一种称为AGUIT的属性引导UIT模型。AGUIT通过使用新颖的半监督设置，共同考虑UIT的多模态和多域任务，在表示去耦和输出细控制方面具有优点。该研究通过广泛实验表明了AGUIT相比现有最先进模型的优越性，同时提出了UIT模型的一个新挑战，即采用去耦合表示来翻译与训练集不相关的数据。

Apr, 2019

本文引入了一种新的多路径一致性损失，该损失用于评估直接翻译和间接翻译之间的差异，并用于正则化培训，以建立培训模型，包括面对面的翻译，绘画到照片的翻译以及去雨/去噪翻译。

May, 2019

本研究提出了一种基于编码-解码框架和有条件对抗性训练的统一模型，用于实现多模态和多域图像翻译任务。实验结果表明，该方法优于现有的方法。

Sep, 2019

提出了一种简单而通用的图像到图像翻译框架，利用归一化层和新提出的特征变换，实现了多模态图像合成并具备任意风格控制的能力，进行了与多个先进方法的比较，证明了其在感知质量和定量评估方面的有效性。

Jul, 2020

本论文提出一种新增的有符号属性向量使映射在各种领域上具有连续可行性，且通过在一条有符号属性向量之间生成轨迹，结合域信息进行对抗训练，实现了更高质量的连续翻译效果。

Nov, 2020

该研究提出了一种新的多模态图像到图像翻译的方法，通过风格预训练、学习低维的风格潜空间等手段，简化损失函数、提高风格捕获和转移的逼真度，最终在六个挑战性数据集上取得了最先进的结果。

Apr, 2021

本文提出了一种基于三个特定损失的新训练协议，并提出了一种新的评估度量来正确衡量I2I翻译模型的潜在风格空间的平滑性，实验结果表明该方法可以显著提高生成图像的质量和插值的渐进性。

Jun, 2021

提出了一种以语言为驱动的图像翻译模型（LANIT），通过利用文本中的属性来获得 per-sample 的多热标签，并提出了 prompt learning 和域规则化损失以提高性能。

Aug, 2022

本论文提出了一种面向细粒度问题的无域图像转换方法，其使用一种全新的方法生成图像，这种方法集中在从源图像提取视觉特征并与低频信息相结合，以生成符合期望的输出图像，该方法在处理面向细粒度问题的图像转换任务时能够生成更真实的图像样本。

May, 2023