基于二分图推理的人体姿态和面部图像合成 GAN
本文提出了基于属性的条件生成对抗网络（CycleGAN）来生成高分辨率的面部图像，并可以通过输入属性轻松控制所生成的面部外貌。我们还演示了基于该模型的三种应用：身份保留的人脸超分辨率、人脸交换和正面人脸生成，这些应用表明了我们新方法的优势。
May, 2017
本文致力于使用生成模型（GP-GAN）从所给的面部标志点中合成对应的面部图片，并通过大量实验证明，该方法可以通过保留性别等信息从面部标志点中生成更准确的面部图片。
Oct, 2017
该论文提出了GraphGAN，一种结合生成模型和判别模型的图形表示学习框架，其中两个模型玩一个博弈论最小最大化游戏来提高它们的性能，同时还提出了一种新的图形softmax来克服传统softmax函数的局限性。在真实世界的数据集上广泛实验表明，GraphGAN在各种应用中都比现有技术取得了实质性的收益，包括链接预测、节点分类和推荐。
Nov, 2017
本研究提出了Cascade Bipartite Graph Neural Networks——一种新颖的自监督节点表示学习方法，该方法可以有效地和高效地在独特的双边图结构中聚合信息，并经过多个数据集的实验验证其高效性和实用性。
Jun, 2019
本文介绍了一种名为InterFaceGAN的框架，通过解析状态最先进的GAN模型学习的分离面部表示，并研究在潜在空间中编码的面部语义属性特性，可以实现面部属性的真实操作而不必重新训练模型，并且可以更准确地控制特征操作。
May, 2020
该研究提出了一种新颖的生成对抗网络 (XingGAN)，用于人物图像生成任务，即将给定人物的姿势转换为所需的姿势。该方法使用两个生成分支建模人物的外观和形状信息，并利用交叉的方式更新这些信息以相互提高。实验表明，该方法在两个具有挑战性的数据集上的性能比现有的图像生成方法均有所提高。
Jul, 2020
本文提出了一种新型的双分图推理生成对抗网络（BiGraphGAN），用于生成具有挑战性的人物图像。该方法的关键是使用两个创新块来建立人物姿态之间的关联，分别是对姿态关系和对图像关系进行建模。实验证明，BiGraphGAN 在两个具有挑战性的公共数据集 Market-1501 和 DeepFashion 上均表现出了很好的效果。
Aug, 2020
研究使用生成的合成数据进行面部识别的训练。通过在GAN的产生器中引入3D可塑模型，实现了从实际图像中学习非线性纹理模型，从而生成新的合成身份，同时操作姿势、照明和表情，而不会影响身份。最终使用生成的数据增加现有面部识别网络的训练，性能得到改善。
Dec, 2020
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
通过将问题拆分为两个子问题，我们提出了SideGAN，一种新颖的3D GAN训练方法，用于生成与相机位置无关的逼真图像，特别适用于侧视角的人脸。
Sep, 2023