本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

Dec, 2016

本文提出了一种基于图像元素的深度生成模型 CGL-GAN，并设计了域对齐模块 DAM 来缩小训练和测试输入之间的差距，进而生成符合美感直觉的高质量图形布局。

Apr, 2022

通过深度域自适应进行知识迁移来提高性能，本研究提出了利用半监督学习洞察力设计的分类感知域对抗神经网络以在源域中将目标例子转化为更可分类的区域，并利用建立在通用外观流的三维几何与图像合成的基础上的属性条件换档深度生成对抗网络将源图像转化为多目标图像的意见。

Feb, 2018

通过建立 LayoutGAN 生成对抗网络，用于建模不同类型的 2D 元素之间的几何关系以合成各种现实布局，同时采用自注意力机制和可微分线框图渲染层进行实现。验证实验包括 MNIST 数字生成、文档布局生成、剪纸抽象场景生成和七巧板图形设计。

Jan, 2019

通过在传统的布局到图像扩散模型的训练过程中引入对抗监督，我们提出了一种布局到图像综合模型。该模型通过基于分割的鉴别器提供像素级对齐的显式反馈，以实现生成图像与输入布局之间的强对齐。通过引入多步展开策略，我们进一步鼓励模型在采样步骤中始终与输入布局保持一致。我们的实验结果表明，该模型生成的图像具有良好的布局保持性，并通过文本提示实现广泛的可编辑性。此外，我们展示了该模型在实际应用中的用途：通过使用文本控制合成目标分布样本，我们在语义分割模型的领域泛化方面取得了显著提升（增加了约 12 个 mIoU 分数）。

Jan, 2024

本文旨在研究如何通过条件生成对抗网络来实现内容感知的视觉文字呈现布局，为自动无模板创意图形设计提供关键支持。通过设计一个名为 PosterLayout 的新数据集，并借助设计顺序形成技术，提出一种可生成适当布局的 CNN-LSTM 基于条件生成对抗网络，该方法在多个方面均取得了最佳性能。

Mar, 2023

本文提出了一种基于图像条件生成的模型，该模型在语义级别上将输入域转换为目标域，并在像素级别上生成目标图像。为了生成逼真的目标图像，我们采用了生成对抗网络中的真实 / 假的鉴别器，并引入了新颖的域鉴别器，使生成的图像与输入图像相关。我们通过生成一个穿着人物的输入图像来验证我们的模型，同时提出了一个高质量的服装数据集，成功地展示了不错的结果。

Mar, 2016

本文提出一种新的无监督领域自适应模型，通过像素级和特征级变换相结合解决了自主驾驶中更复杂的目标检测问题，同时引入了生成对抗网络和循环一致性损失以及区域提案特征对抗训练等方法，通过实验证明了本方法的鲁棒性和优越性。

Sep, 2018

本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响，并在实验中测试表明，在 Potsdam 领域（源领域）到 Vaihingen 领域（目标领域）的转变中，该方法将整体准确性从 35% 提高到 52%。

May, 2019

通过设计语义感知的生成对抗网络，将测试图像转换成源域的外观，保留语义结构信息，并实现语义标签空间内的嵌套对抗学习。通过生成对抗网络映射数据分布、循环一致性保留像素级内容以及语义感知增强结构信息，实现对两个不同的胸部 X 光公共数据集进行左 / 右肺分割的无监督领域自适应，创造性地解决了深度学习在 domain shift 上性能下降的问题，并与有监督的迁移学习性能相媲美。

Jun, 2018