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 GAN Lab，这是第一个面向非专家的交互式可视化工具，旨在帮助用户学习和实验复杂的深度学习模型，它紧密集成了模型概述图和分层分布图，具有与多个抽象级别的逐步训练等新型交互式实验特性。GAN Lab使用TensorFlow.js实现，可以通过现代Web浏览器访问，无需安装或专用硬件。

Sep, 2018

该综述性论文详细讨论了GAN在医学图像分析中的应用，强调了其用于数据模拟和标注数据稀缺性方面的潜在优势，并讨论了未来的研究方向。

Sep, 2018

本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

Oct, 2018

介绍了 DatasetGAN 方法，利用 GAN 生成合成数据集，仅需少量标注样本，就能训练出能够与传统无监督方法相匹敌的语义分割模型，并在人脸和汽车语义分割任务上取得了领先的性能。

Apr, 2021

本文研究了在医学影像方面采用生成对抗网络（GANs）合成图像作为深度学习的训练数据来替代难以获取的真实数据集的可行性，同时探讨使用多个GANs以提高生成数据的差异性在数码病理学方面的应用。

Apr, 2021

使用预训练生成器，通过对潜在代码进行扰动以创建自然图像的变化，然后使用 StyleGAN2 进行分类任务，并发现该过程存在多个设计决策，包括扰动程序、增强图像和原始图像之间的加权以及对合成图像进行训练的分类器等，最终发现，虽然使用基于 GAN 的增强可以带来小幅改进，但 GAN 重构的效率和精度，以及分类器对 GAN 生成图像的敏感性仍然是瓶颈。

Apr, 2021

本文旨在利用GAN生成的图片数据集创建像素级别标注，从而用于预训练，在多个下游任务上取得了较好性能，同时提出了一个基于ImageNet的像素级别分割性能评估基准，并提供了类似排行榜的工具

Jan, 2022

通过引入生成对抗网络（GANs）的创新方法，我们提出了一种合成医学图像的方法，通过深度卷积神经网络（CNNs）架构的生成器和鉴别器网络以及对抗训练方法，即使在有限的真实医学图像数据训练下，也能生成逼真的合成图像，并成功模拟了真实医学图像的结构和纹理特征。

May, 2024

本研究针对卷积神经网络（CNN）学习到的难以解读的特征进行分析，提出了一种自动化可视化方法，通过引入链接网络实现预训练分类器倒数第二层与生成模型潜在空间（StyleGAN-XL）之间的映射。研究发现，这两者之间存在一致的语义顺序，能够以较低的计算成本系统性地分析学习到的表示，进而量化分类器的决策边界。

Sep, 2024