本文提出了一种新的半监督 GAN 架构 (ss-InfoGAN)，用于图像合成，可以利用少量标签（最多不超过数据集的 10%）的信息学习语义有意义的和可控制的数据表示，其中潜变量对应标签类别，该架构建立在信息最大化生成对抗网络 (InfoGAN) 的基础上，被证明可以学习连续和分类编码，并实现比完全无监督设置更高质量的合成样本。此外，我们表明，使用少量标记数据可以加快训练收敛速度。最后，本文贡献了关于介绍半监督增加合成数据和真实数据之间的互信息的信息理论推理。

Jul, 2017

本文介绍了生成对抗网络的成功因素，并提出“生成潜在优化”框架来训练深度卷积生成器，实现了可视化合成、样本插值等功能，同时不需要对抗优化方案。

Jul, 2017

本文概述了生成对抗网络在信号处理中的应用，讨论了GANs的训练方法和构建策略以及它们在deep representations学习中的表现和存在的挑战。

Oct, 2017

本文介绍了使用生成式对抗网络和正交正则化训练的大规模条件图片生成方法，并提出了一种截断技巧来控制生成器输入方差，从而在生成高保真度和多样化样本方面实现平衡。该方法应用于ImageNet数据集上，在128x128分辨率下，IS（Inception Score）为166.5，FID（Frechet Inception Distance）为7.4，表现超过之前的方法。

Sep, 2018

本篇论文探讨了使用DepthwiseGAN架构生成逼真图像的方法，并通过Fréchet Inception Distance对生成数据质量进行了评估。结果表明，DepthwiseGAN可以在较短的训练期间内生成逼真的图像，但是模型容量对于生成建模仍然具有重要作用。

Mar, 2019

本文提出了一种基于对比学习和互信息最大化的正式框架，可以同时减轻生成敌对网络（GAN）中两个根本问题：鉴别器的灾难性遗忘和生成器的模式坍塌，从而在图像合成中显着稳定GAN训练和提高GAN性能。

Jul, 2020

通过训练GAN在人工数据集上，我们发现混合多个GANs相比于使用更深、更宽、更复杂的单个生成器会获得更好的结果。在CIFAR-10数据集上，我们的方法在流行的指标（IS和FID）上明显优于现有技术的表现。

Jul, 2020

本文文献是关于生成对抗网络（GAN）框架及其在视觉合成领域的应用和算法进行概述，包括图像翻译、处理、合成高分辨率照片等，并讨论其在内容创作中的应用。

Aug, 2020

综述文章介绍了生成对抗网络(GANs)在图像合成领域的各种应用，包括图像到图像的转换、融合图像生成、标签到图像映射和文本到图像生成，并总结了基于模型、特定于架构、约束、损失函数、评估度量和培训数据集开发思路等各种领域进展和具体实现，并提出了未来发展的潜在方向。

Dec, 2020

本文提出了一种轻量级的GAN结构，通过跳过层通道智能激发模块和自监督判别器训练作为特征编码器，实现少量样本进行高保真度图像的合成与生成。与StyleGAN2相比，本模型在数据和计算预算有限的情况下具有卓越的性能表现。

Jan, 2021