本文介绍了一种基于 StyleGAN 的语义编辑方法，可以局部移植另一张图像的特征，而不需要额外的监督或复杂的操作，实现了对 GAN 图像的语义编辑，并提高了图像的真实感。

Apr, 2020

本文研究如何扩展GAN模型可达到的视觉效果，通过在生成器参数空间中探索方向，发现了许多可解释性方向，这是非常重要的，因为这些方向可以用于语义操作，这些操作无法通过转换潜在的向量代码实现。

Nov, 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

本文介绍了GANs和StyleGAN，讨论了其在图像合成和潜在空间方面的应用和研究趋势，强调了其生成图像编码的潜力和限制，以及视觉先验的构建和使用，同时指出了任务和目标特定的研究方向。

Feb, 2022

提出了一种基于非负张量分解的无监督学习方法，通过发掘卷积神经网络特征图中表示空间部分和外观特征的因子，实现基于像素级控制的上下文感知局部图像编辑，并证明外观因子对应于显著性图，可以定位感兴趣的概念，具有比现有方法更高的准确性和更少的训练时间。

May, 2022

该研究提出了一个基于7种GAN架构、9种调节方法、4种对抗性损失以及13种正则化模块、3种可微增强方法、7种评估指标和5种评估指标的开源库StudioGAN，通过在多种数据集和三种不同的评估骨干(InceptionV3，SwAV和Swin Transformer)上训练基于BigGAN，StyleGAN2和StyleGAN3等最新生成模型的统一训练流水线中的可代表性GAN，并使用7种评估指标量化生成性能的大规模基准测评了各种前沿的生成模型，提供了预训练权重的GAN实现、训练和评估脚本。

Jun, 2022

该论文提出了一种基于梯度信息的新方法，探索生成对抗网络(latent space)中的非线性控制，实现了多方向控制和有效解缠，这使得GANs的可控生成问题得到了解决。

Sep, 2022

生成对抗网络（GANs）是在多个领域中生成逼真、多样化数据的强大工具。本研究综述了GANs的潜在架构、验证指标和应用领域，并探讨了GAN与Jensen-Shannon散度之间的深刻联系以及GAN框架的最优性特征。对GAN变体的效率、模型架构以及训练障碍和解决方案进行了评估，并详细讨论了GAN与Transformer、物理信息神经网络、大型语言模型和扩散模型等新开发的深度学习框架的整合。最后，揭示了该领域的若干问题和未来研究方向。

Aug, 2023

通过利用大规模的文本到图像扩散模型进行数据提炼，我们提出了一种更高效的方法，通过精细调整通用化特征的基础生成对抗网络模型，而不是重新训练整个基础模型，并采用简单但有效的秩搜索过程来进行低秩适应，从而显著减少了培训成本和与每个概念相关的存储，使得移动设备能够高效地实现实时高质量的图像编辑。

Jan, 2024

通过将预训练的生成对抗网络（GAN）模型中代表特定、可控属性的方向转移至扩散模型中，GANTASTIC提出了一种新颖的框架，既保持了扩散模型已知的生成质量和多样性，又显著增强了其进行精确、有针对性的图像编辑的能力。

Mar, 2024