本论文提出了一种面向细粒度问题的无域图像转换方法，其使用一种全新的方法生成图像，这种方法集中在从源图像提取视觉特征并与低频信息相结合，以生成符合期望的输出图像，该方法在处理面向细粒度问题的图像转换任务时能够生成更真实的图像样本。
May, 2023
本文综述了近年来发展的图像翻译技术，重点阐述了该领域的关键技术和取得的进展，以及其在计算机视觉和图像处理领域的应用和对社会的影响，指出相关领域仍存在的挑战。
Jan, 2021
通过在预训练的 StyleGAN2 模型上进行一系列的模型变换，我们提出了一种新的图像到图像 (I2I) 转换方法，并提出了一种反演方法，以在源领域和目标领域之间进行 I2I 翻译。定性和定量评估证明了该方法在图像质量、多样性和与输入和参考图像的语义相似性方面具有优越性能，与最先进的作品相比。
Oct, 2020
本研究提出了一种基于编码 - 解码框架和有条件对抗性训练的统一模型，用于实现多模态和多域图像翻译任务。实验结果表明，该方法优于现有的方法。
Sep, 2019
通过引入 Colorized MNIST 数据集和 Color-Recall 评分，提出一种新的非对称框架以改进现有的深度生成模型在多对一图像翻译任务中的性能，应用于 StarGAN V2，并在无监督和半监督设置下表现出更好的结果。
Feb, 2024
本文提出了一种无监督、基于对比学习的图像翻译方法，其主要思想是学习一个判别器，将不同的图像风格区分开来，并使其监督生成器将这些风格在图像之间进行转移。实验结果表明，该方法在视觉质量和翻译准确度方面优于当前领先的无监督基线模型。
May, 2021
单个生成器的多领域图像翻译方法 SingleGAN，在多种无配对数据集上显示出明显的优势和普适性。
Oct, 2018
本文提出一种使用矢量量化技术的图像转换框架，使得图像之间能够无条件地共享分布，结合解耦的样式表示，该方法不仅能实现图像翻译，而且具有在所有领域内和领域之间的高度灵活性，在图像转换、无条件生成和图像扩展的应用中具有广泛的实用性。
Jul, 2022
介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法，通过非监督学习来解决图像转换问题，实现了不同域之间的图像转换，并且在多样性方面表现出了很好的通用性。
Jan, 2017
DeepI2I 为一种新的基于深度学习和层级特征的图像翻译方法，采用转移学习技术和适配器网络解决了高分辨率瓶颈和对小数据集性能较差的问题，在三个数据集上的实验结果表明可以显著提高多类别图像翻译的性能。
Nov, 2020