本文提出了一个基于生成协作网络的框架用于无监督领域间翻译问题，并通过 MCMC teaching 实现了对领域模型的最大似然学习，包含能量模型和潜变量模型，并使用 Langevin 修订算法进一步优化结果。实验结果表明该框架可用于无监督图像到图像和无配对图像序列转换。

Mar, 2021

本文提出使用图像检索系统辅助图像翻译，从而生成更高质量的图片，实验结果表明该方案是有效的。

Aug, 2020

本文提出了使用原型自监督学习控制风格关注的鉴别器，同时作为评论家和风格编码器来提供条件，以缓解现有图像到图像转换中标签不考虑语义距离所导致输出域控制和插值问题，并基于此进行风格插值，内容移植和局部图像转换。

Mar, 2022

本文提出了一个使用无成对训练数据和单个网络同时训练不同域的多个数据集来学习生成多样化输出的统一框架，并研究了如何更好地提取域监督信息以学习更好的分离表征和实现更好的图像翻译的方法。实验表明，所提出的方法优于或与最先进的方法相当。

Nov, 2019

本研究提出了一种基于编码 - 解码框架和有条件对抗性训练的统一模型，用于实现多模态和多域图像翻译任务。实验结果表明，该方法优于现有的方法。

Sep, 2019

本文研究了两个生成模型的协作训练，利用卷积神经网络 (ConvNets) 来进行图像建模和合成，并探究了如何将 MCMC 采样算法无缝地融入协作学习算法中，成功地实现了两个模型的同步训练，从而学习到高度真实的生成模型。

Sep, 2016

提出了一种无监督的图像翻译框架，使用一对编码器加上一对生成对抗网络来提取不同域之间的高级特征以生成逼真的多样化样本。该框架在许多图像转化任务上展示出与最先进技术相竞争的结果。

Aug, 2020

通过多领域多样本的花式创作，将图像转化为具有不同风格的目标图像，同时保留原图的内容特征，并实现了在一个统一的简洁模型上灵活有效地处理多个域和任意样本，相比其他现有技术在实验中显示出显著进步。

Nov, 2019

本研究提出了一种多模态无监督图像到图像的翻译框架 (MUNIT)，该框架可以将图像表示分解为内容代码和风格代码，从而能够生成来自给定源域图像的多样性输出，并能够通过提供示例样式图像来控制翻译输出的风格。该框架在对比最先进的方法的基础上，通过大量实验证明了其优势。

Apr, 2018

本研究提出使用领域特定映射来重新映射共享内容空间中的潜在特征到特定内容空间，以提高图像的编码质量和风格传递的效果。实验证明，与以往的图像风格转换方法相比，所提出的方法在需要图像间语义对应的复杂场景中表现得更好。

Aug, 2020