本文提出了一种新的 GAN 框架，名为进化生成对抗网络 (E-GAN)，该框架使用不同的对抗训练目标作为突变操作，通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力，并利用评估机制来衡量生成样本的质量和多样性，从而始终保留最佳基因用于进一步的训练，从而提高了 GAN 的整体训练效果和生成性能。

Mar, 2018

使用生成模型从文本描述中生成区域特征以及使用加权投票策略的修正。

Jul, 2020

本文提出一种新的零样本学习方法，通过循环一致的对抗网络 (CANZSL)，将一种基于自然语言的多模态一致双向生成对抗网络训练用于处理零样本学习问题，以在语义空间中生成逼近真实分布的语义特征。实验结果表明，CANZSL 在自然语言零样本学习任务上的表现优于现有的先进方法。

Sep, 2019

本研究提出了基于对生成对抗网络训练的新规则的多模态循环一致性语义兼容性的方法，可以用于合成更具代表性的视觉表示，从而在几个公开可用的数据集中展现出最佳的广义零样本学习分类结果。

Aug, 2018

本文提出了一种名为 Dual Adversarial Semantics-Consistent Network (DASCN) 的机制，该机制采用双重 GAN 对视觉语义交互传递的问题进行了处理， 并在广义零样本学习 (GZSL) 问题上实现了先前算法所未能完成的任务。

Jul, 2019

本文提出一种基于多目标进化策略的两阶段神经结构搜索方法 (EAGAN)，旨在稳定生成对抗网络（GANs）的训练过程以提高图像生成性能，实验结果表明其有效性。

Nov, 2021

本文探讨了对生成对抗网络中出现的不稳定性和模态崩溃问题进行改进的方法，通过引入进化计算的原理，将两种促进训练多样性的方法（E-GAN 和 Lipizzaner）进行混合，提出了一种名为 Mustangs 的进化 GAN 训练方法，该方法通过结合了多样性提升的变异和种群方法，实现了更准确更快速地训练 GAN 模型。

May, 2019

本文提出了第一个专为 GAN 训练而设计的神经架构搜索算法 AGAN。通过 AGAN 在 CIFAR-10 数据集上的实验证明，该算法可以自动搜索到优于同一正则化技术下现有最先进模型的神经网络结构。在 $32 imes32$ 的分辨率下，该算法自动搜索的网络结构的表现也能够胜任监督学习任务，并且在其它图像生成任务中可进行迁移学习。

Jun, 2019

COEGAN 使用神经进化和协同进化策略来自动设计神经网络架构，以实现更稳定的 GAN 培训方法。在 Fashion-MNIST 和 MNIST 数据集上的实验表明，COEGAN 能够发现高效的架构，并且避免了常见的模式坍塌问题。

Dec, 2019

本研究提出 COEGAN 模型，将神经进化和协同进化技术应用于 GAN 训练中，提高了训练的稳定性和 GAN 网络结构的自动发现，解决了部分模式崩溃问题。

Dec, 2019