本论文提出了一种基于离散小波变换的知识蒸馏方法，用于提高小型生成对抗网络在高频信息生成方面的性能，在保证性能无明显下降的情况下，可将模型体积缩小 7.08 倍、加速 6.80 倍，并研究了鉴别器和生成器之间的关系。

Mar, 2022

本文提出使用谱鉴别器按照真实数据的频率分布生成图像，以解决当前深度生成模型中图像易被识别的问题。谱鉴别器具有轻量、模块化等特点，可以有效改进生成图片的频谱，提升模型性能。

Dec, 2020

本研究提出了一种评估度量标准，以明确，非参数化表示真实和生成数据流形， 可以分别和可靠地测量图像生成任务中样本的质量和覆盖范围， 并且展示了该度量标准在 StyleGAN 和 BigGAN 方面的有效性。同时，我们分析了 StyleGAN 的多个设计变体以更好地了解模型架构，训练方法与样本分布属性之间的关系，并识别出新的改进方法。最后，我们将度量标准扩展到个体样本的感知质量估计，并使用它来研究潜空间插值。

Apr, 2019

本文通过实证研究代表性生成模型 GAN，深入分析了如何在特征空间中代表数据点、如何使用选定样本计算合理距离以及每组要使用多少个实例等问题。实验结果表明，基于 CNN 和 ViT 的架构都是可靠和稳健的特征提取器，CKA 能够在一种模型中跨越各种提取器和分层层次上产生更好的比较，而且在表征两个内部数据相关性之间的相似性方面，CKA 显示出令人满意的样本效率并补充了现有指标（例如 FID）。这些发现帮助我们设计了一个新的测量系统，以便在一致可靠的方式下重新评估了最先进的生成模型。

Apr, 2023

提出一种广义的 “自然度” 保持损失函数，即峭度集中（KC）损失，可用于任何标准扩散模型管道，以提高图像质量，并在个性化少样本微调、无条件图像生成和图像超分辨率等任务中验证其有效性。

Nov, 2023

利用一组低成本传感器收集的功率测量值构建功率谱密度图，通过引入线性压缩和量化通信测量并结合数据驱动和模型驱动方法以估计多种光谱和传播先前信息，展示了利用支持向量机类型求解器可获得功率谱密度图，并开发了一种在线算法用于实时操作，数值测试评估了新算法的性能。

Jun, 2016

本研究展示了狭窄频率域中缩小误差能够进一步改善图像重建和合成质量，提出了新的焦点频率损失函数并在多种流行的模型中展示其作用，同时对 StyleGAN2 的潜在性进行了探讨。

Dec, 2020

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

该研究通过对生成对抗网络的结构进行分析，提出了一些关于频率偏差和高频伪影的新发现，并尝试分析了一些现有的提高生成质量的方法，但没有实现完美的改进。最后，该研究建议，提升鉴别器的质量将是解决频率伪影问题的关键。

Nov, 2021

本文提出了一种基于多层小波包变换的生成对抗网络（MW-GAN）方法，旨在增强压缩视频的感知质量，其中运动补偿与小波重构网络被用于恢复高频细节，实验结果表明了该方法的优越性。

Aug, 2020