本文提出了一种用生成对抗网络生成大型合成数据集来进行注视估计的方法，该方法在移动设备上取得了最新成果并具有跨设备泛化能力。

Nov, 2017

本文使用卷积神经网络，包括 U-Net，InceptionV3 和叠层沙漏网络，针对 REFUGE 2020 的三项任务，视盘和杯的分割，青光眼的分类和中心凹的定位进行研究。为了增强性能，使用了 cycleGANs 来进行域漂移。

Mar, 2022

提出了一种基于循环的生成对抗网络模型 (C2GAN)，通过交互式方式联合分析输入图像和引导数据，实现了人脸、手、身体和自然场景的图像生成，通过循环子网实现输入域的重构，同时生成另一个循环所需要的有用输出，实现了跨模态信息的相互补充，并具有更为鲁棒优化的功能。

Jun, 2021

提出 C2GAN，一种新型循环生成对抗网络，用于关键点引导的图像生成，图像生成器和关键点生成器相互交错地连接在一个可端到端学习的框架中，并形成三个循环子网络，可生成更加逼真的图像。

Aug, 2019

本研究提出了一种使用生成对抗网络训练的方法，用于在保持外观一致、生成逼真图像的同时实现目标凝视方向的眼部图像重定向，并通过感知相似性和一致性来优化生成图像的准确性。经广泛评估，该方法在图像质量和重定向精度等方面优于现有先进技术，并且可以通过与现实数据相结合，在凝视估计任务中取得显著的性能提升。

Mar, 2019

本研究提出了一种将血管分割网络集成到图像翻译任务中的方法，并通过扩展 CycleGAN 框架，将其插入到 UNet 视觉转换器生成器网络之前，以此来提高基于深度学习的多模式视网膜配准方法的训练数据集。我们重构了原始的恒等损失，以学习血管分割与真实图像之间的直接映射，并添加了分割损失项以确保伪图像与真实图像之间共享血管位置。实验结果表明，我们的方法外观逼真，且可以保留血管结构，从而为生成多模态训练数据进行图像配准奠定基础。

Jun, 2023

该研究提出了一种新的图像到图像的转换方法，通过多个 GAN 的协作实现多模态目标 ，可解决许多传统 GAN 存在的问题，包括不必要的痕迹、大物体移除以及形状变换困难等，实验结果在多个应用场景和数据集中都表现出优异的性能。

Nov, 2019

本文提出了一种基于 CycleGAN 的网络训练方法，通过这种方法可以对人脸图像数据库进行更新以保证更高识别精度和更合理和准确的衰老合成效果，并得到了比其他方法更为优秀和多样化的跨年龄人脸合成结果。

Apr, 2023

CycleGAN 可以学习到将两个图像分布之间的转化，并且会将源图像信息隐藏在其生成的图像中，从而保证了循环一致性，然而其通过循环一致性来保证生成的图像真实性导致了其容易受到对抗攻击的影响。

Dec, 2017

本文提出了一种新颖的循环一致性逆向生成对抗网络 (CI-GAN) 框架，用于文本到图像生成和文本引导下的图像操作任务，在该框架中，我们采用循环一致性训练来学习更加稳健一致的潜变量，并通过学习文本表示与潜变量之间的相似度模型，在文本引导的优化模块中生成具有所需语义属性的图像，实验证明该框架具有良好的性能。

Aug, 2021