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

该研究探讨了如何使用预训练 GAN 模型实现头部和面部重新实现，并使用 3D 形状模型帮助发现潜在空间中的方向，以达到身份解缠和跨人重现的目的。研究结果表明，与现有的最先进方法相比，该方法是一种高质量的方法。

Jan, 2022

本研究提出一种新的算法用于训练生成式对抗网络，并联合学习身份（例如个人）和观察（例如具体照片）的潜在代码。我们使用成对的训练模式，可生成多样的相同主题图像，并保持灯光和姿势等相关方面的特征，进而提高图像的真实感。结果表明，基于 Siamese 辨别器进行的训练能够生成逼真的与身份相符的照片。

May, 2017

本论文提出了一种神经面部 / 头部再现的框架，其目标是将目标面部的 3D 头部方向和表情转移到源面部。我们采用了不同的方法，通过使用（精调）预训练的生成对抗网络，绕过了学习嵌入网络以实现身份和头部姿态 / 表情分离的困难任务，以提高生成图像的质量。我们的方法通过将真实图像嵌入生成对抗网络的潜在空间，成功实现了对真实世界面部的再现。

Feb, 2024

使用进化算法在 StyleGAN 人脸生成器的潜在空间中优化 Master face，提高对多个领先人脸识别系统的身份认证成功率。

Aug, 2021

本文提出了一个名为 InterFaceGAN 的新框架，用于解释 GAN 学习到的语义面部编辑，并深入研究不同语义如何编码在 GAN 的潜在空间中。我们发现，精心训练的生成模型的潜在编码实际上学习了一个分离的表示，在线性变换后解旋，通过子空间投影来解开某些绑定属性，实现更精确的面部特征控制，并产生可控的面部属性表示的结果表明 GAN 具有生成高保真图像的能力。

Jul, 2019

本研究设计了一种人类图像生成的生成模型，能够控制姿势，不同身体局部的外貌以及服装风格，能够生成高逼真度的图像，并在不同方面表现出色，如姿态控制、部位和服装转移以及关节采样。

Mar, 2021

ExFaceGAN 提出了一种在预先训练的 GAN 潜空间中解缠身份信息的框架，使得可以生成任何合成身份的多个样本，而生成图像的变异性不仅限于特定属性。更进一步，本文证明了使用 ExFaceGAN 生成的数据可以成功地用于训练面部识别模型。

Jul, 2023

本文介绍了一种简单的无监督方法，用于提供训练良好的局部潜在子空间，使得通过潜在编码的导航能够保持生成图像的真实感。实验证明，在局部潜在子空间内生成的图像能够在潜在编码反复调整的情况下保持真实感，并且这种方法对各种类型的基于风格的模型中的潜在编码优化都具有应用潜力。

Oct, 2023

本文提出了一个新的照片逼真人像生成框架，可以有效减轻「奇异山谷」效应，提高渲染人像的真实性。使用转移学习从渲染人像的潜在空间学习到真实人像的潜在空间的一致映射，使虚拟角色的人像在外观风格改变的同时保持面部身份的不变，通过细化 StyleGAN2 生成器以保留与面部身份相关的几何和色彩特征。通过定性和定量评估以及消融实验，证明了我们的方法相较于现有方法的优势。

Oct, 2023