该篇论文提出一种基于卷积网络的像素优化方法，在此基础上将梯度下降转化为递归算法，并使用生成式对抗网络进行训练，生成高质量图像，并提出一种生成器与判别器间的量化比较方法。

Feb, 2016

本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络（GANs）框架，并着重讨论了GANs的两个应用程序：半监督学习和图像生成。使用我们的技术，我们在MNIST，CIFAR-10和SVHN的半监督分类方面取得了最先进的成果，并呈现了高质量的生成的MNIST和CIFAR-10图像样本和ImageNet样本，呈现出ImageNet类可识别特征的学习过程。

Jun, 2016

使用未训练的卷积神经网络，创建新的生成模型，用于图像重建、纹理合成和样式转换等深度可视化任务，并发现了新的深度网络结构表示学习的一些特性和规律。

Jun, 2016

本文提出了联合生成对抗网络(CoGAN)用于学习多域图像的联合分布。 与现有方法相比，CoGAN可以在不需要不同域中对应图像元组的情况下，仅通过来自边际分布的样本学习联合分布，并将其应用于许多联合分布学习任务，包括颜色和深度图像的联合分布以及具有不同属性的脸部图像的联合分布。 此外，对于域自适应和图像转换，也展示了其应用。

Jun, 2016

本文介绍了一种基于生成模型和神经网络的图像合成方法，利用梯度上升法在生成器网络的潜在空间中最大化分类器网络中一个或多个神经元的激活，通过引入对潜在空间的先验分布来提高样本质量和多样性，并称之为“Plug and Play Generative Networks”，该方法可用于各类数据且在图像分类和生成方面具有先进性。

Nov, 2016

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

使用单张图片作为输入，通过知识蒸馏和图像增强技术训练神经网络，研究神经网络对视觉世界的学习能力，发现通过这种方法可以在多个数据集上实现较高的图像分类和目标识别精度。

Dec, 2021

我们提出了一种设计空间，清晰地分离具体的设计选择，从采样和训练过程以及得分网络的预处理中识别了几个变化。通过改进，我们以比之前的设计更快的采样速度（每张图像35个网络评估）在条件设置下获得了1.79 FID，无条件设置下获得了1.97 FID，达到了新的最先进水平。

Jun, 2022

通过组合离散生成模型的对数概率输出，我们提出了一种可控条件图像生成的公式，该方法在FFHQ、Positional CLEVR和Relational CLEVR三个不同场景中实现了最先进的生成准确性，并达到了竞争性的Fréchet Inception Distance (FID)得分，平均生成准确性为80.71％，平均FID为24.23，与其他方法相比具有2.3倍至12倍的速度优势，并提供了可解释的控制性维度以及对文本-图像生成的精细控制能力。

May, 2024

通过使用权重生成器合成初始化神经权重，本研究在图像到图像翻译任务中，使用生成对抗网络作为例子，有效减少深度神经网络（DNN）模型的训练成本，并在新概念下取得更好的图像生成质量和15倍的训练时间加速。

Jul, 2024