本研究首次学习GAN指纹以进行图像归属，并使用它们将图像分类为真实或GAN生成。实验表明，GAN生成的图像具有稳定的指纹，指纹细调有效防御五种类型的对抗性图像扰动，并且得出结论指出我们学习到的指纹在各种设置中一致优于几个基线。

Nov, 2018

本文提出了一种新的方法来检测使用生成对抗网络生成的假图像，采用共生矩阵和深度学习的组合进行训练，结果表明在两个大型数据集上的分类准确度均超过99％。

Mar, 2019

对GAN领域中的高质量图像生成、图像生成的多样性和稳定训练等三个实际问题的研究进展进行了详细回顾和分类，同时讨论了GAN在计算机视觉中最成功的应用并提出了未来的研究方向。

Jun, 2019

本文通过使用由 GANs 学习得到的图像先验知识与个体图像的图像统计特征相结合，解决了对已有自然照片的高级属性进行操控的问题，提出了一种准确重构并合成新内容且能够保持输入图像特征的交互式系统，并在多个语义图像编辑任务上展示了方法的有效性。

May, 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

通过训练网络、识别不在分布范围内的图像、聚类、合并及优化等多个步骤，我们提出了一种迭代算法，可以高准确率发现来自以前未见过的 Generative Adversarial Networks (GANs) 的图像，同时，该算法在识别真实数据集上的 GAN 时也具有泛化能力，并可应用于在线发现和真假检测。

May, 2021

通过学习生成模型留下来的残留特征作为身份信息，进一步确定人工指纹的表示的生成模型，并提出了基于集合编码和对比训练的新学习方法，通过与最先进的指纹方法的比较和消融研究，得到了稳定性和可归属性的改进。

Jun, 2022

通过插入个性化归一化 (PN) 层以及训练水印解码器，本文提出了一种无需重新训练的生成对抗网络（GAN）水印方法，使模型开发者可以轻松生成具有相同功能但不同指纹的模型副本，该方法在模型级攻击和图像级攻击的鲁棒性方面优于现有技术。

Nov, 2023

该研究解决了合成图像来源追溯的不足，提出了一种简单而有效的框架，结合了大型预训练基础模型的特征，能够在开放集场景中进行合成图像的来源归属。研究结果表明，该方法在低数据条件下表现出色，超越了现有技术，具有更好的泛化能力。

Aug, 2024