本篇论文的研究目的是探讨如何在边缘设备上使用风格生成网络，并引入 MobileStyleGAN 结构，其参数量和计算复杂度分别为 StyleGAN2 的 1/3.5 和 1/9.5，同时提供可比较的生成质量。

Apr, 2021

本文提出了一种基于风格迁移文献的替代生成对抗网络的生成器体系结构，能够自动学习高级属性和生成图像中的随机变化，改善传统的分布质量量度标准，提高内插质量和交互性能，同时也更好地分离出潜在的多变因素。

Dec, 2018

本文提出了一种使用深度卷积神经网络和生成对抗网络重建人脸纹理和形状的新方法，以及一种自监督回归方法用于较快的拟合过程，展示了可生成高频细节的写实和身份保留的 3D 面部重建。

May, 2021

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

本文提出了一种名为 SSD-GAN 的 GAN 算法增强版，加入了一个基于频率感知的分类器来测量输入图像在空间和频谱领域内的真实性，并采用增强版的辨别器来激励生成器生成真实数据高频内容和精确细节。该方法易于集成并验证其有效性。

Dec, 2020

提出了一种高度稳健的基于 GAN 的框架，可从单个非约束性照片中数字化人物的标准化 3D 头像，并通过采用高度稳健的标准化 3D 面部生成器以及感知细化步骤来生成高质量的标准化面部模型。

Jun, 2021

使用 StyleGAN2 和转移学习构建的 ChildGAN，通过平滑的领域转换生成高质量的、逼真的合成男孩和女孩面部数据，这些数据的独特性和特征已经通过不同的计算机视觉应用测试得到验证，结果表明高质量的合成儿童面部数据为替代实际儿童大规模数据的成本和复杂性提供了一个选择。

Jul, 2023

本文提出了一种使用基于 StyleGAN 的层次结构算法生成现实匿名合成人脸数据集的有效方法，用于测试人脸分类系统的性能，表明使用生成的合成粉刺脸图像训练 CNN 分类器可以取得 97.6% 的准确率。

Nov, 2022

使用单视角 2D 照片集合进行高质量多视角一致的图片和 3D 形状的非监督生成一直是一个难题，本文提出了一种混合显式 - 隐式网络架构，用于提高 3D GANs 的计算效率和图像质量，实现了高分辨率实时多视角一致的图像合成，同时产生高质量的 3D 几何体。

Dec, 2021

该论文提出利用深层学习方式进行人脸识别，通过生成对抗网络 GAN 生成虚拟多样的人脸数据集，以减小数据集的偏差对模型预测性能的影响。

May, 2023