使用预训练的生成式机器学习模型，本文介绍了第一步，即创造一个工具，使艺术家能够创建音乐可视化。通过利用各种点、张量和形态学操作来进行网络弯曲，我们发现这个过程能够产生多种视觉效果，包括一些难以使用标准图像编辑工具重新创建的效果。最后，我们运用稳定扩散和网络弯曲操作，生成具有音乐响应的视频，并对某些变换对图像和基于这些变换学习稳定扩散的潜在空间的可能性进行了讨论。

Jun, 2024

该研究提出了新型生成模型，用于制造近似自然图像但又能欺骗先前训练好的模型的略微扰动的对抗性样本。通过在具有挑战性的高分辨率数据集上的实验，它证明了这种扰动具有高弄虚率和较小的扰动规模，并且比当前的迭代方法更快。

Dec, 2017

该研究旨在解决深度生成模型中规则的编码与修改问题，通过线性联想记忆算法，用户界面及一些概念验证应用，改进并证明了该方法比标准微调方法和编辑传递算法更具优势。

Jul, 2020

本文介绍了一种新的生成模型，利用评分匹配来估计数据分布的梯度，通过 Langevin 动力学生成样本。我们的框架使得模型架构更加灵活，无需在训练期间进行抽样或使用对抗性方法，提供了可用于基于原则的模型比较的学习目标。在 MNIST、CelebA 和 CIFAR-10 数据集上，我们的模型产生的样本与 GAN 相当，实现了 CIFAR-10 inception 得分的新的最先进水平为 8.87。此外，我们通过图像修补实验证明了我们的模型学习到了有效的表示。

Jul, 2019

本文提出了一种隐私保护的生成模型发布技术，使用差分隐私的 $k$-means 算法将数据划分为 $k$ 个簇类，再由 $k$ 个基于神经网络的生成模型分别学习各自簇类的生成分布，从而合成具有隐私保护的合成数据集。实验结果证明该方法能够生成具有较高逼真度的合成样本，并且支持对生成数据的任意数量计数查询。

Sep, 2017

基于预训练的确定性条件图像生成模型的网络结构或参数不变，我们通过添加微小扰动攻击输入条件，提出了一种简单高效的插件投影梯度下降（PGD）方法来生成多样且可控的图像，从而为低层视觉任务应用对抗攻击打开了新的可能性。

Mar, 2024

本文提出了在生成对抗网络训练中，通过引入梯度层来寻找无限维空间中的下降方向，以克服深模型训练中局部最优问题，从而获得更快更好的收敛性能以及更强的表达能力。

Jan, 2018

本文提出了一种基于生成对抗网络的方法，通过优化骗过分类器的目标和增加多样性的目标训练生成器，从而模拟对抗性扰动的分布，生成多样的对抗性扰动，实现了在各种分类器上实现骗过率最大化，展示出了更好的通用性。

Dec, 2017

通过快速微调模型来适应生成样本与观察证据匹配是一种适用于各种深度生成模型和机器人环境的简单而通用的方法。该方法可应用于自回归模型和变分自动编码器，并在物体形状推断、逆运动学计算和点云完整性方面展现了其可用性。

Oct, 2023

提出了一种基于黑盒知识蒸馏的 GAN 模型压缩方法，将 BigGAN 作为教师网络，用较少的参数训练学生网络以模拟其功能，有效地缩小模型规模并在图像生成方面取得了有竞争力的表现。

Sep, 2020