本文提出了一种生成式对抗网络的扩展——ARTGAN，用于合成具有抽象特征的艺术品等复杂挑战性图像。通过允许唯一标签信息的反向传播，该方法更快地进行学习并且能够更好地生成高质量的图像。实验显示，ARTGAN 可以创造出逼真的艺术作品，并能够生成全局外观自然、清晰的实际图像。

Feb, 2017

本文提出了一种新的自动绘画模型，用于解决黑白素描自动上色问题，实验结果表明自动绘画模型的性能优于现有的图像合成方法。

May, 2017

本研究提出了一种利用生成对抗网络通过增加生成的艺术品的新颖性从而实现创造性创作的新系统，研究表明该系统生成的艺术品与当代艺术家创作的艺术品在多个方面得到了人类受试者的高度评价。

Jun, 2017

本文提出一种基于 Exemplar GANs 的新型修复方法，可以利用样本信息，生成高质量、个性化的修复结果，并且在多个点插入其它信息以增加描述能力，将此方法应用于天然图片中的眼睛修复任务，并开发了新的数据集进行比较。

Dec, 2017

通过使用神经绘画家创造了一种新颖的基于人工画家的可微分的图像生成方法，同时提出了新的内容损失的概念，允许艺术媒介自然地决定由神经绘画生成的样式。

Apr, 2019

本文探讨了一种对StyleGAN体系结构的条件扩展方法，通过使用合成类别条件提高网络的可控性和结果的分辨率，同时研究了提取这些类别条件的方法以增加人的可解释程度。实验证明，条件模型相对于无条件的模型可以更好的嵌入细节，产生更多样化和高质量的输出结果。

Sep, 2019

该研究提出了一种使用基于条件生成对抗网络的图标设计系统，可帮助设计师更轻松地完成图标的着色任务，并且实现了较高质量的着色效果。

Oct, 2019

本文提出了一种新的神经样式转换模型，它是基于无需相关风格图像，可用于任何内容和风格的输入形成语义准确的生成图像，规避了全模型训练的烦恼，并通过单向 GAN 模型的确保循环一致性的结构，实现了更高效的训练和验证阶段以及更小的模型尺寸。

Feb, 2023

通过改进的 mDCGAN 架构、优化技术和规范化方法来改进稳定性和真实感，有效研究生成的抽象艺术样式，进一步探索随机游走的潜在空间，验证了这种方法的有效性，强调其为数字艺术生成和数字艺术生态系统领域带来的潜力。

Mar, 2024

生成对抗网络（GANs）在生成高质量的图像方面取得了巨大成功，并因此成为生成艺术图像的主要方法之一。本研究首先使用Creative Adversarial Networks（CANs）架构的GAN进行训练，然后采用演化方法在模型的潜在空间中导航以发现图像。通过使用自动美学和交互式人类评估指标对生成的图像进行评估，并提出一种基于多个参与者的合作评估的人类交互式评估案例。此外，我们还尝试了一种智能变异算子，通过基于美学度量的局部搜索来提高图像的质量。通过比较自动和协作交互进化产生的结果来评估该方法的有效性。结果表明，当演化过程由协同人类反馈引导时，所提出的方法能够生成高度吸引人的艺术图像。

Mar, 2024