本文研究基于自监督对比学习的无监督人员再识别问题，提出了一种结合了生成对抗网络和对比学习模块的联合训练框架。该框架中，基于网格投影技术的视角生成器提供了数据增广，而对比学习模块则学习了生成视角不变特征。此外，引入了一种视角不变损失用于原始样本和生成样本之间的对比学习。实验结果表明，该方法在多个大规模数据集上进行了全面的性能测试，均取得了比先前研究更好的效果。

Dec, 2020

本文提出了一种新的生成对抗网络 (IS-GAN)，可以通过身份标签而不需要其他信息将图像中的身份相关特征和非相关特征进行分离，在 person re-identification 中取得了显著的效果。

Oct, 2019

本研究提出了使用基于相似性保持生成对抗网络模型 SimPGAN，将目标域中未标记图像转化为原始分类器的解决方案，通过在多个真实监控数据集上的全面实验，研究结果表明，该算法优于现有的基于跨数据集的无监督人员重新识别算法。

Jun, 2018

本文提出了一种新颖的深度人图像生成模型，利用生成对抗网络，实现了消除视角变化的标准化，生成与姿势相关的真实人物图像，得到新型的去除姿势影响的深度重新识别（re-id）特征，并证明这种特征可以广泛应用于许多不同的 re-id 数据集中。

Dec, 2017

本文介绍了一种基于 Feature Distilling GAN 的人物重识别方法，可以学习不受姿态影响的身份相关特征，而不需要额外的姿态信息和计算成本。此方法在三个人物重识别数据集上达到了最好的性能，证明了 FD-GAN 的有效性和稳健性。

Oct, 2018

本文提出了一个联合学习框架，将 Re-ID 学习和数据生成端到端地耦合在一起，通过生成高质量的跨 ID 组合图像来提高鉴别模块的性能，该框架在多个基准数据集上达到了最先进的性能表现。

Apr, 2019

本文综述了如何使用生成对抗网络改善通过数据增广提高人员再识别模型性能的最新方法，主要聚焦于样式转移、姿态转移和随机生成三类数据增广方法。

Feb, 2023

这篇论文提出一个半监督的生成式对抗网络（GAN）框架，利用 LSRO 方法解决由训练集补充数据、生成数据的怎样使用等问题，有效提高了之前基准的 CNN 嵌入的辨别能力，并在 Market-1501、CUHK03、DukeMTMC-reID 三个大型数据集上分别提高了 4.37%、1.6% 和 2.46%，且在细粒度的鸟类识别问题上实现了 0.6% 的改进。

Jan, 2017

本文提出了一个用于实现真实场景下的人物再识别的降解不变性学习框架，该框架采用了自我监督的分解表示学习策略，能够同时提取身份相关的强健特征，并消除真实世界中存在的降解，同时在低分辨率图像上实现了最先进的识别效果。

Apr, 2020

本研究提出了一种新的生成对抗网络，以解决跨分辨率个体再识别问题，能够在保持分辨率不变的同时恢复低分辨率输入图像中的缺失细节，实验表明该方法在五个基准数据集上比现有技术表现更好，尤其是当输入分辨率在训练期间未被看到时。

Aug, 2019