使用改进的模型结构和训练方法，对 StyleGAN 生成器的规范化、进化成长和正则化进行了重新设计，并引入了路径长度正则化器，以改善图像质量和生成器的可逆属性。通过可视化生成器对其输出分辨率的使用情况，识别容量问题并进行大规模模型的训练，使得该模型在无条件图像建模领域中的分布质量和感知图像质量均达到了最高水平。

Dec, 2019

通过对 Vanilla StyleGAN 模型不同阶段的功能进行机制分析和大量实验调研，我们提出了一种有效的简单解决方案，采用新的像素 - 实例归一化（PIN）层来消除 Vanilla StyleGAN 生成图像中引起视觉质量降低的圆形伪影。

Mar, 2021

通过学习样本数据的潜在分布，生成对抗网络（GAN）最近推动了图像合成的进展。本文通过使用预训练的 StyleGAN 生成器作为已学习的损失函数，并利用其分层表示来训练新的层次编码器，展示了学习图像合成如何产生通用于广泛应用的出色分层视觉特征。通过广泛的定性和定量实验结果表明，GH-Feat 具有很强的可转移性，可以应用于图像编辑、图像谐调、图像分类、脸部验证、地标检测和布局预测等生成和判别任务。

Jul, 2020

通过新的正则化技术 - 逐步增强生成对抗网络（PA-GAN），逐步增加鉴别器的输入或特征空间的任务难度，从而使生成器能够不断地学习，这保留了原始 GAN 目标，不损害鉴别器的最优性并鼓励生成器和鉴别器之间健康的竞争，从而提高了 FID 得分的有效性。

Jan, 2019

本文提出了一种基于 StyleGAN 的自我蒸馏方法，通过生成图像的自我筛选和感知聚类来解决从互联网采集的未加工图像数据集中存在的离群值和多模态分布等挑战，实现高质量图像的生成。

Feb, 2022

本研究使用生成对抗网络（GAN）通过 Progressive Growing 技术生成 256x256 大小的 MRI 图像，结合传统数据增强技术可以有效地提高脑肿瘤检测的性能及在医学成像任务中的应用。

Mar, 2019

本研究提出了一种新的单元结构 - 特征循环块（FCB），可以用于生成对抗网络（GANs）的生成器架构中。该单元结构具有两个分支，一个是内存分支，另一个是图像分支。 其中，内存分支在生成器的每个阶段保持有意义的信息，图像分支则从内存分支获取一些有用的特征，以生成高质量的图像。 通过在多个数据集上进行实验，结果表明了本方法的显著优越性。

Oct, 2022

通过渐进增加模型层数的方法，生成对抗网络在训练中实现速度和稳定性的提升，并取得了空前的图像质量和变异性，同时提出了新的 GAN 结果评估指标，取得实验成功。（keywords 中包含：生成对抗网络、逐步增长、图像质量、Inception 分数、实现细节等）

Oct, 2017

使用预训练生成器，通过对潜在代码进行扰动以创建自然图像的变化，然后使用 StyleGAN2 进行分类任务，并发现该过程存在多个设计决策，包括扰动程序、增强图像和原始图像之间的加权以及对合成图像进行训练的分类器等，最终发现，虽然使用基于 GAN 的增强可以带来小幅改进，但 GAN 重构的效率和精度，以及分类器对 GAN 生成图像的敏感性仍然是瓶颈。

Apr, 2021

本文提出了一种改进样本质量的新方法：在模型训练之前通过实例选择来改善经验数据分布，将模型容量重定向到高密度区域，从而提高样本保真度，降低模型容量要求和显著减少训练时间。

Jul, 2020