这篇论文通过对多个GAN算法的大规模实验研究得出，大多数模型在经过足够的超参数优化和随机重启后可以达到类似的分数，建议未来的GAN研究应该基于更系统和客观的评估程序，同时提出了一些可用于计算精度和召回率的数据集。

Nov, 2017

本文提出了一种新的基于几何学性质的GAN模型性能度量方法，可以定量和定性地评估生成样本的质量和模式崩溃的程度。该算法适用于各种类型的数据集，并不仅限于视觉数据。我们在多种真实模型和数据集上测试了该方法，并展示了其提供的GANs特性新洞察。

Feb, 2018

本文通过使用通常仅用于培训的散度和距离函数来对各种类型的GAN性能进行评估，观察了所提出的度量之间的一致性，发现测试时间指标并不支持使用相同训练时间标准的网络，我们还将所提出的度量与人类感知分数进行比较。

Mar, 2018

使用 GAN 进行流形正则化，采用 Monte Carlo 近似方法进行拉普拉斯规范化，结合 GAN 实现特征匹配 GAN，并在 CIFAR-10 数据集上实现了半监督学习并取得了最先进的结果。

May, 2018

本文从实用角度出发，分析评估生成对抗网络的常见错误和可重现性问题，并提供预训练模型。

Jul, 2018

提出了两种新的技术来训练生成对抗网络（GANs），旨在减轻GAN中的模式崩溃问题并提高生成样本的质量，通过邻居嵌入和梯度匹配技术，可以显式保留潜在样本的局部结构，从而降低模式崩溃风险，并取得了在1D / 2D synthetic、CIFAR-10和STL-10数据集上优异的结果。

Nov, 2018

本文介绍了基于GAN的问题并提出了相应解决方案，使用了基于图片质量的评价算法SSIM和NIQE作为GAN正则化的指标，并提出了新的模型 WGAN-GP，在CIFAR-10，STL10和CelebA数据集上取得了最优性能。

Nov, 2019

通过对分布优化的角度重温和定义 DE-GAN，将现有方法分类为数据选择、GANs 优化和知识共享三个类别，总结了 Data-Efficient GANs 的特性、挑战与解决方案，并试图突出当下问题和未来方向。

Apr, 2022

本文提出了一种基于变分分析的生成对抗网络（GAN）的统一方法，讨论了在$f$-divergence-minimizing GANs和IPM GANs中的最优生成器，展示了基于分数匹配和流匹配的训练方法，以及判别器引导Langevin采样方法。

Jun, 2023

现有的分数蒸馏方法对于分类器无关指导（CFG）的尺度非常敏感，表现为小的CFG尺度上的过度平滑或不稳定，而在大的尺度上过饱和。本文提出了对抗性分数蒸馏(ASD)方法，它使用可优化的鉴别器并使用完整的优化目标进行更新。实验证明，所提出的ASD在2D蒸馏和文本到3D任务中表现优异，并将ASD扩展到图像编辑任务，获得有竞争力的结果。

Dec, 2023