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

本文探讨了生成对抗网络的应用在时尚设计上的可能性。实验表明，基于属性的 GAN（AttGAN）可以成功编辑时装的视觉特性，但也提示着 GAN 在设计概念的属性级别编辑上所存在的一些关键限制和未来需要解决的研究问题。

Jul, 2020

本文介绍了一种基于生成对抗网络的多条件控制方法，通过对大量人类绘画进行训练，生成模拟人类艺术的逼真画作，提供了对生成画作的特征进行精细控制，针对多条件生成，引入了条件截断技巧，并使用一系列评估技术对生成结果进行定量分析。

Feb, 2022

生成对抗网络（GANs）在生成高质量的图像方面取得了巨大成功，并因此成为生成艺术图像的主要方法之一。本研究首先使用 Creative Adversarial Networks（CANs）架构的 GAN 进行训练，然后采用演化方法在模型的潜在空间中导航以发现图像。通过使用自动美学和交互式人类评估指标对生成的图像进行评估，并提出一种基于多个参与者的合作评估的人类交互式评估案例。此外，我们还尝试了一种智能变异算子，通过基于美学度量的局部搜索来提高图像的质量。通过比较自动和协作交互进化产生的结果来评估该方法的有效性。结果表明，当演化过程由协同人类反馈引导时，所提出的方法能够生成高度吸引人的艺术图像。

Mar, 2024

本文通过使用 DRAGAN，并给出实态案例进行定量分析结合数据和模型方面，成功专门针对一个 Anime 风格的面部图像数据集训练出一套稳定且高质量的 GAN 模型，同时，为了帮助动漫形象设计，作者还建立了一个可供公众访问的在线预训练模型的网站。

Aug, 2017

本研究将人工智能与人类合作的问题重新定义为一种学习问题，提出团队学习策略可提高合作效果和质量，为设计更高效的人工智能合作系统提供了新的视角和框架，并就支持人们学习如何与生成型人工智能系统协作的进一步研究提出了问题和议程。

Jul, 2022

本研究提出了一种利用生成对抗网络通过增加生成的艺术品的新颖性从而实现创造性创作的新系统，研究表明该系统生成的艺术品与当代艺术家创作的艺术品在多个方面得到了人类受试者的高度评价。

Jun, 2017

提出了 DecNefGAN 框架，它结合了生成对抗系统和神经强化模型，用于探索人类大脑对生成 AI 潜在影响的反应和抵抗方式。

Jan, 2024

本研究探讨了结合不同损失函数的图像生成模型在时尚生成中的创新性。通过设计一个评估协议，结合自动度量和人类实验研究，本研究发现，相对于 Creative Adversarial Networks 所采用的创新性评估标准，本研究所提出的创新性标准更具创意性。以及在新颖性和喜好性方面，本研究所提出的损失函数得分最高。

Apr, 2018

提出了一种基于循环的生成对抗网络模型 (C2GAN)，通过交互式方式联合分析输入图像和引导数据，实现了人脸、手、身体和自然场景的图像生成，通过循环子网实现输入域的重构，同时生成另一个循环所需要的有用输出，实现了跨模态信息的相互补充，并具有更为鲁棒优化的功能。

Jun, 2021