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

该论文提出了一种基于两个独立潜变量的结构化生成式对抗网络，通过两个博弈过程最小化y和z的重构误差，并且提高了半监督条件下的图像分类精度以及图像生成质量。

Nov, 2017

该研究介绍了一种名为RoCGAN的新型条件GAN模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN在各种领域的表现都远优于现有的最先进的cGAN架构。

May, 2018

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

这篇论文提出了一种简单而高效的方法来解决条件生成式对抗网络（cGAN）中的模式崩塌问题，它通过显式地规范化生成器以产生不同的输出来控制可变因素，从而在视觉质量和多样性之间实现平衡，这种方法在图像翻译、图像修补、未来预测等多个条件生成任务中取得了出色的效果。

Jan, 2019

该论文提出了一种针对生成神经网络模型中偏向问题的投影优化方法，解决了图像中心偏向与颜色偏向问题，提高了图像编辑的效果。

May, 2020

介绍了一种新的结构，称为条件可逆神经网络（cINN），并将其用于解决自然图像的多样化图像到图像的转化任务。cINN结合了纯生成INN模型和一个无限制的前馈网络，有效地将调节图像预处理为最大信息特征。通过最大似然优化，稳定地联合优化cINN的所有参数。利用双向cINN结构，进一步探索和操作潜在空间的新兴属性，例如以直观的方式更改图像风格。

May, 2021

本文提出了一种利用早期退出支路来降低计算量的方法，并在两种最先进的生成任务模型上应用，即从语义映射中生成和面部表情的交叉重演，可以输出具有自定义较低质量阈值的图像，尤其适用于实时应用场景。

Apr, 2023

通过经验分析，我们提出了一套方法，以降低在扩散模型中引入指导所带来的时间需求和计算开销，并且保持相当的图像质量，从而将计算时间减少大约三倍。

Dec, 2023

我们提出了一种针对长尾数据的类条件生成对抗网络 (class-conditional GANs) 的训练改进方法，通过知识共享使尾部类别能够借用丰富信息的优秀类别，实验证明在生成图像的多样性和质量方面相较于现有方法有显著提升。

Feb, 2024