本文提出使用 GAN 来进行视频监控中的异常行为检测，通过将原始数据与运动信息相互转化来避免生成器学习平凡的恒等函数，并且在标准基准测试中达到了比之前最先进方法更好的效果。

Jun, 2017

通过引入一种简单的方法，使真实数据分布经过一个‘透镜’传达给辨别器，让生成器逐步揭示出更多细节特征，改善了 GAN 训练的质量、稳定性和收敛速度，对各种 GAN 架构如 DCGAN、LSGAN、WGAN-GP 都可行。

Feb, 2018

提出了一种基于多个鉴别器网络来训练生成器的创新框架，通过更新分配给每个判别器的混合权重来反映生成器的进展情况，实验结果表明能够通过学习曲线来提高样本的质量和多样性。

Jul, 2018

本文提出了一种新颖的方法，在测试时显式利用判别器的反馈模块并结合卷积块进行图像生成，旨在提升生成器的结果，实验结果表明这种方法可应用于超分辨率和图像生成领域并提高现有网络的性能。

Nov, 2018

在生成对抗网络中引入对抗性 Dropout，其中在每个批次结束时，以一定概率省略或退出每个判别器的反馈，从而迫使单个生成器不再只满足单一的判别器，而是满足判别器的动态集合，这导致了产生更加广义的生成器，促进了生成样本的多样性，并避免了 GAN 中经常发生的 mode collapse 问题。并且，通过实验证明了所提出的框架 Dropout-GAN 提高了样本多样性，消除了 mode collapse 并稳定了训练。

Jul, 2018

该研究提出了一种新的方法来减少 GANs 中的模式坍塌问题，即通过引入一种通用的置换不变鉴别器架构来训练一个预测混合批的真假样本比例的不变鉴别器得分来代替传统方式评估单个样本的鉴别器。实验证明，在两个合成数据集上，这种方法有效地减少了模式坍塌，而在 CIFAR10 和 CelebA 数据集上得到了良好的定性和定量结果。

Jun, 2018

本文提出一种自适应判别器增广机制，稳定有限数据中生成对抗网络的训练，无需改变损失函数或网络架构，适用于从头开始训练和调优现有 GAN 的情况，并在几个数据集上进行了实证分析，结果表明，仅使用少量的训练图像就可以获得好的结果，通常与 StyleGAN2 的结果相匹配，而使用的图像数量则少了一个数量级。此方法有望扩大 GAN 的应用领域，并发现 CIFAR-10 是一个有限数据基准，在此基础上改进了记录 FID（Fréchet Inception Distance) 由 5.59 到 2.42。

Jun, 2020

提出分布式异步鉴别器 GAN (Distributed Asynchronized Discriminator GAN, AsynDGAN) 数据隐私保护和通信效率的 GAN 训练框架，通过中央生成模型从多个数据集的分布鉴别器学习，生成的生成模型分割模型主要用于保护医学图像数据的隐私，实验证明该方法能够从多个数据集中学习真实图像分布，比其他分布式深度学习方法具有更高的效率，并且具有可证明的保证。

May, 2020

本文提出了一种针对高维度情况下 GAN 训练不稳定的方法，即使用一个生成器同时生成多个不同低维度投影数据的判别器来提供连续的梯度，实验结果表明该方法能够生成较高质量的图像样本。

May, 2017

提出了一种新型的、基于增强现实的自监督辨别器，并利用预测参数作为判别阈值，减弱了旧行的数据不变性，显著提升了数据效率，实验结果优于其他 GANs

May, 2022