本文提出了一种新颖的深度结构生成模型，它基于随机与或图来编码场景的结构，并引入了检测网络来推断图像中的场景结构。实验结果表明，该方法不仅能够建模内在结构，还可以生成逼真的图像。

Jul, 2018

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

本研究探讨使用参数化生成对抗网络（GAN）作为 Lily's Garden 益智游戏的地图生成器，并提出从真实地图中提取控制 GAN 输出细节的两个条件向量，结果显示虽然 GAN 在近似第一个条件（地图形状）方面表现良好，但在近似第二个条件（元素分布）方面表现不佳，因此建议尝试使用替代 GAN 生成器和辨别器的架构来改善实验结果。

Jun, 2023

本文综述了文献中可找到的 GAN 训练稳定方法，讨论了每种方法的优缺点并进行比较总结，最后提出了未解决问题的讨论。

Sep, 2019

使用生成对抗网络学习了 DOOM 地图的模型，并比较了用于生成新地图的两种不同类型的 GAN（一种是只使用地图的图像，另一种则是同时使用图像和部分拓扑特征），研究结果表明 GAN 可以很好地捕捉 DOOM 地图内在的结构，并且是一种有前途的第一人称射击游戏地图生成方法。

Apr, 2018

本文提出了一种基于关系架构的新型图约束生成对抗网络，其生成器和鉴别器利用关系结构进行建模，旨在将约束编码到其关系网络的图结构中，将建筑约束作为图形输入，并生成一套轴对齐的房间边框，通过 117000 张实际的平面图像的定量和定性评估表明，该方法优于现有的方法和基线。

Mar, 2020

本文综述了生成模型的最新应用 —— 生成对抗网络（GAN）及其在计算机视觉和机器学习领域的实际应用，讨论了 GAN 训练中的困难和障碍，并调查了不同研究者提出的训练方案，以求实现 GAN 的稳定训练，最后探讨了与该主题相关的新问题和研究方向。

Jun, 2020

本论文使用对抗生成网络 (GANs) 和协方差矩阵自适应进化策略 (CMA-ES) 生成了大量类似原始语料库中的 Super Mario Bros 的电子游戏层级，并使用各种适应性函数发现了专家所设计示例空间内存在的层级，并引导搜索满足一个或多个指定目标的层级。

May, 2018

本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

Oct, 2017

本文使用生成对抗网络的生成结果作为认知组件，以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时，本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构（包括转移学习和数据增强技术），并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明，本方法对该上下文的实施非常有效，将作为一个由人与机器共同设计的工作流程进一步评估。

May, 2023