本文讨论了生成对抗网络（GANs）中的模式坍塌问题，提出了一种基于度量空间的几何视角来嵌入数据，以解决自动确定潜在空间维度和构造高斯混合模型的方法，进而改进目标函数，通过理论分析支持每个方法步骤，并验证了该方法能够在真实和合成数据上产生分布于大多数模式中的样本，避免不需要的样本，性能优于现有GAN变体。

May, 2018

本文提出了一种新的方法，通过找到生成模型中有意义的方向来提高生成模型潜在空间的可解释性，从而精确地控制生成图像的特定属性，如位置或比例。该方法对于搜索编码生成图像的简单变换方向（如平移，缩放或颜色变化）特别适用，并在GAN和变分自动编码器模型的质量和量化方面得到了证明。

Jan, 2020

通过探索回归进隐空间的方法来研究生成对抗网络 (GAN) 的组合特性，将回归器与预训练的生成器结合成强大的图像先验，从而实现无需预定义概念和标签即可实现基于实例的图像编辑，该方法在图像合成、填充和编辑等多个任务中都有应用。

Mar, 2021

本文提出了一种不需要训练的基于补丁的优化框架，比单个图像GAN方法快1000~10000倍，并产生比任何以前的方法（无论是基于GAN还是基于经典补丁的方法）更优越的结果和更真实的整体结构，应用广泛，如图像编辑和重塑大小。

Mar, 2021

本文提出了一种新的利用少样本或弱监督方式解决回归任务的方法，该方法利用生成式对抗网络（GANs）的语义信息表征能力，实现了将预先训练好的 GANs 转化成回归模型的操作，并证明了其在众多数据集和领域上的高效性。

Jul, 2021

本文研究生成对抗网络（GANs）中的潜在空间与三维对象的关系，探讨了几种GAN的变体和训练方法，旨在提高3D GAN的训练效果，同时提出了未来研究的方向。

Apr, 2023

本文介绍了一种基于WeditGAN的few-shot image generation方法，利用常数偏移量编辑StyleGANs中的中间潜在层代码w，通过重新定位源潜在空间的分布，构建目标潜在空间，成功地实现了模型转移，并在多个数据集上进行了实验以证明其在few-shot image generation方面的高效性。

May, 2023

本研究探讨了生成建模中潜在空间选择的最优解以及其确定过程，并提出了一种新的距离度量方法和具体的训练策略来优化潜在空间的选择，进而提高生成效果。

Jul, 2023

数据增强技术（Data Augmentation）通过生成具有真实图像外观的合成样本，提高了深度模型的泛化性能，而LatentAugment更进一步地增加了样本的多样性和准确性，优于标准数据增强和基于生成对抗网络（GAN）的采样。

Jul, 2023

不同生成图像模型是否暗含相似的潜在表示？我们通过测量四种不同模型（VAEs、GANs、NFs和DMs）的潜在空间相似性来进行调查。我们的方法是使用冻结的潜在空间之间的线性映射，将任意配对的编码器和解码器连接起来，并测量生成的“连接”模型的基于输出和基于探针的度量。我们的主要发现是，性能良好的模型之间的潜在空间线性映射保留了大部分视觉信息，即使潜在空间大小不同；对于CelebA模型来说，性别是最相似的属性。最后，我们展示了NF上的实验结果表明，潜在空间表示在训练早期就会收敛。

Jul, 2024