本研究提出了一种基于本地上下文的语义引导图像生成方法，使用本地类别特定的生成网络构建和学习不同类别的子生成器以捕捉更精细的细节，通过一个分类模块来学习更具有鉴别性的类别特定特征表示，并使用一个注意力融合模块和双鉴别器结构嵌入的联合生成网络集成全局图像级别和本地类别特定生成的优点，同时提出了一种新颖的语义感知上采样方法，可以更好地保持相同语义标签实例的语义一致性。

Feb, 2022

本文提出了一种对物体进行语义操纵的新的生成对抗网络方法，使用对比对抗目标而不是直接将合成样本接近目标数据，以生成具有高可视度和合理的对象语义的操作结果，并在多个语义操作任务上展示了我们的模型的优越性。

Aug, 2017

本研究考虑应用监督对比学习提高语义分割中多尺度特征的判别能力，并通过有效的采样过程与跨尺度对比学习方法进一步提高模型性能。

Mar, 2022

本文提出一种新颖的双重注意力生成对抗网络（DAGAN），利用 position-wise 空间注意力模块和 scale-wise 通道注意力模块，从输入布局中综合地捕捉了语义结构注意力，实现了从语义标签到具有细节的照片逼真图像的生成。实验结果表明 DAGAN 相较于现有方法在多项数据集上实现了更好的结果，同时使用更少的模型参数。

Aug, 2020

通过在生成器中条件化卷积核以更好地利用语义布局，提出一种特征金字塔语义嵌入判别器的多尺度生成对抗网络方法，该方法在各种语义分割数据集上实现了优秀的量化指标和主观评估。

Oct, 2019

本研究提出了一种新的方法，改进了生成对抗网络（GANs）训练的能力，可以根据文本输入合成多样的图像，这种方法基于条件版本的 GANs，扩展了前人利用判别器中的辅助任务，通过负样本采样来构造积极和消极的训练样例，通过牛津 102 花卉数据集的实验结果表明，生成的图像更具多样性，特别是当负样本逐渐靠近语义空间中的积极样本时。

Dec, 2018

我们提出了一种高分辨率的语义图像合成方法，它由基本图像生成器和多个类别特定生成器组成。使用类特定模型的生成器进行独立训练，可以产生高质量的高分辨率图像，同时具有对象级别控制的灵活性。

Oct, 2021

通过提出一种语义信息导向的生成对抗网络 SeCGAN，可无需指定目标语义掩码的情况下，利用语义信息进行人脸图像编辑，从而在保持质量指标的前提下，在 CelebA 和 CelebA-HQ 上生成具有更准确属性的面部图像，优于竞争基线项。

Nov, 2021

本文提出了一种新的基于 SG-GAN 的虚拟到现实领域自适应方法，可以有效地保留关键语义信息以实现更好的识别。实验证明，与现有 GAN 相比，SG-GAN 在场景自适应方面具有更好的性能，使用 SG-GAN 适应的虚拟图像在语义分割上比原始虚拟数据明显提高。

Jan, 2018

本文提出了一种名为多通道注意力 SelectionGAN 的新方法，该方法可以基于场景图像和新颖的语义地图生成任意视点中自然场景图像，并通过注意力机制和像素损失优化，经过 Dayton，CVUSA 和 Ego2Top 数据集的实验验证，该方法在跨视图图像翻译方面比现有技术有了显著的改进

Apr, 2019