提出了一种名为 NR-GANs 的生成对抗网络，它可以在训练图像受到干扰的情况下学习到更好的图像生成器，并且可以应用于图像降噪。该论文还引入了约束条件来鼓励噪声生成器仅抓住噪声的特定组成部分，并在三个基准数据集中展示了其有效性。

Nov, 2019

本文研究生成对抗网络（GANs）中的潜在空间与三维对象的关系，探讨了几种 GAN 的变体和训练方法，旨在提高 3D GAN 的训练效果，同时提出了未来研究的方向。

Apr, 2023

本研究基于生成对抗网络构建了一个图像压缩系统，其中包括编码器、解码器 / 生成器和多尺度鉴别器，并使用全生成式学习压缩目标。模型可合成存储受限的细节，实现在比之前方法失败且出现严重伪影的比特率下，较视觉上令人满意的结果。此外，如果有原始图像的语义标签映射可用，则本方法可以从标签映射中合成出解码后图像的不重要区域，例如街道和树，并相应地减少存储成本。一个用户研究证实，即使使用两倍以上的比特，低比特率下我们的方法都优于现有技术。

Apr, 2018

本文通过分析数学和统计学特性，研究生成式对抗网络与 Jensen-Shannon 散度的深刻联系，并提供鉴别器族群的逼近论证及样本估计分布的大样本性质，特别地证明了中心极限定理。

Mar, 2018

本文介绍了生成对抗网络（GANs）的算法框架，将其与隐式生成模型的学习算法相联系，提出了基于密度比估计的方法并借此引导观察者更深层次地思考生成模型。

Oct, 2016

本文研究了如何将生成敌对网络与学习压缩相结合，得到一种最先进的生成有损压缩系统，并在归一化层、生成器和鉴别器架构、训练策略以及感知损失方面进行了探究。与之前的工作不同的是，我们实现了在广泛的比特率范围内视觉上令人满意的重建，并且，我们的方法可以应用于高分辨率图像。我们在定量上使用各种感知指标和用户研究来评估我们的方法，研究表明，即使使用超过 2 倍的比特率，我们的方法也优于以前的方法。

Jun, 2020

提出了一种基于密度比估计和 f - 散度最小化的算法，旨在通过多种视角来了解生成对抗网络（GANs）的特点，提高生成器的学习效果。

Oct, 2016

本文主要讨论生成对抗网络的应用和基本操作，介绍了 GAN 如何学习高维度、复杂的真实数据分布，并不需要假设分布，同时讨论了 GAN 加入自动编码器框架、用于图像合成、图像编辑和分布学习等多种变体。

Nov, 2017

本文旨在为数学家提供适用的 GANs 理论解释，概述 GANs 的训练问题和拓扑学和博弈论视角如何贡献于我们理解和实践 GANs 的技术的正面和反面结果。

Jun, 2018

提出了 Blur, Noise, and Compression Robust GAN (BNCR-GAN)，它可以在不知道降解参数的情况下直接从退化图像中学习干净图像，同时适用于不可逆降解，例如模糊、压缩和混合。该算法通过掩码架构调整数据驱动的降解强度值，并引入自适应一致性损失来抑制模糊、噪声和压缩组合的不确定性。经过大规模比较研究和广泛分析，我们证明了 BNCR-GAN 的有效性，并证明了其在图像恢复中的适用性。

Mar, 2020