本文提出了一种半监督深度学习架构，扩展了面部素描合成以处理现实中的面部照片，该方法使用小的参考照片集中的照片与输入照片进行补丁匹配，并使用相应的素描特征补丁组成伪素描特征表示来监督网络。通过该方法，我们可以使用参考照片集和大型面部照片数据集对网络进行训练，并取得公共基准测试和野外面部照片方面最先进的表现。

Dec, 2018

本研究提出了一种新的生成对抗网络 (GAN) 方法，利用数据增强及信息流构建模块等技术，在摩托车、马和沙发等 50 类别的草图上合成逼真的图像，并在 Inception 分数上取得显著的改进。

Jan, 2018

本文提出一个基于面部构图信息的 Composition-aided Generative Adversarial Network (CA-GAN) 来生成面部素描 / 照片。通过使用成对的输入包括面部照片 / 素描和相应的面部标签来进行合成，最终使用堆叠的 CA-GANs (SCA-GAN) 去修正缺陷并增加有吸引力的细节，实验结果表明，我们的方法能够在广泛的具有挑战性的数据范围内生成视觉舒适、保持特征的面部素描 / 照片，并且取得了最佳的生成效果。

Dec, 2017

本研究提出了一种基于 IACycleGAN 模型的人脸照片 - 草图合成算法，采用感知损失监督图像生成网络以改进 CycleGAN，在关键的面部区域（如眼睛和鼻子）的合成过程中更加注重识别，同时还使用合成样本和真实样本的三元组损失增强了识别模型，在 CUFS 和 CUFSF 数据库上的实验结果表明，所提出的方法在合成图像质量和草图 - 照片识别精度方面均优于多个现有的先进方法。

Mar, 2021

本文首次研究了无监督的手绘草图到照片的合成，提出了一种两阶段翻译任务的方法，添加自监督去噪目标和注意力模块以处理抽象和风格差异，生成的图片忠实于草图且逼真的，并可实现基于草图的图像检索和捕捉人类视觉感知。

Sep, 2019

本论文介绍了一种基于对抗损失的图像修复半监督学习方法，通过生成器填充图像中的孔洞，再用鉴别器判断图像的真实性，以实现对鉴别器的有监督训练，并在 STL-10 和 PASCAL 数据集上表现出与现有方法相当甚至更好的性能。

Nov, 2016

本文使用生成模型和对抗网络探索了将草图合成为图像和将图像转换为草图的问题，并提出了一种新的多对抗网络框架，称为 Photo-Sketch Synthesis using Multi-Adversarial Networks (PS2-MAN)。通过采用 CycleGAN 框架，利用配对信息解决了耦合 / 配对翻译问题。实验结果表明，该框架在图像质量评估和图像匹配方面的性能优于现有的最先进解决方案。

Oct, 2017

本文提出了 Semantic-aware Mask CycleGAN（SMCycleGAN）架构，可以将艺术画像翻译成照片现实视觉效果，该模型可以生成逼真的人类肖像，并通过向鉴别器馈送语义掩码的伪样本来强制其做出有用决策，以便对发电机进行优化以合成更逼真的人类肖像而不是将其他无关组件的相似度增加到最大。

Jun, 2023

本论文研究了基于细粒度手绘图像检索模型中存在的数据稀缺问题，并介绍了一种新型的半监督框架，可以利用大规模未标记的照片来提升模型表现，其中心设计是一个顺序照片到草图生成模型，并引入了鉴别器和蒸馏损失来提高数据的质量。实验证明，新的半监督模型相比现有的监督模型和具有利用未标记的照片的现有方法产生了显著的性能提升。

Mar, 2021

CycleGAN 可以学习到将两个图像分布之间的转化，并且会将源图像信息隐藏在其生成的图像中，从而保证了循环一致性，然而其通过循环一致性来保证生成的图像真实性导致了其容易受到对抗攻击的影响。

Dec, 2017