本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络（GANs）框架，并着重讨论了GANs的两个应用程序：半监督学习和图像生成。使用我们的技术，我们在MNIST，CIFAR-10和SVHN的半监督分类方面取得了最先进的成果，并呈现了高质量的生成的MNIST和CIFAR-10图像样本和ImageNet样本，呈现出ImageNet类可识别特征的学习过程。

Jun, 2016

本文介绍了生成对抗网络的成功因素，并提出“生成潜在优化”框架来训练深度卷积生成器，实现了可视化合成、样本插值等功能，同时不需要对抗优化方案。

Jul, 2017

本文概述了生成对抗网络在信号处理中的应用，讨论了GANs的训练方法和构建策略以及它们在deep representations学习中的表现和存在的挑战。

Oct, 2017

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

本研究将生成式对抗网络的minimax博弈与一个凸优化问题中的Lagrangian函数的鞍点联系起来，并展示了标准GAN训练过程和凸优化的原始 - 对偶次梯度方法之间的联系。此外，本研究提出了一种新的目标函数来训练模型，以解决模式塌陷和生成多样化的问题。实验结果显示了该方法的有效性。

Feb, 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

本文综述了文献中可找到的GAN训练稳定方法，讨论了每种方法的优缺点并进行比较总结，最后提出了未解决问题的讨论。

Sep, 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

生成对抗网络（GANs）是在多个领域中生成逼真、多样化数据的强大工具。本研究综述了GANs的潜在架构、验证指标和应用领域，并探讨了GAN与Jensen-Shannon散度之间的深刻联系以及GAN框架的最优性特征。对GAN变体的效率、模型架构以及训练障碍和解决方案进行了评估，并详细讨论了GAN与Transformer、物理信息神经网络、大型语言模型和扩散模型等新开发的深度学习框架的整合。最后，揭示了该领域的若干问题和未来研究方向。

Aug, 2023

通过广义生成对抗网络（G-GANs）框架中引入的群惩罚和体系结构惩罚的方法，我们研究了输入维度对生成对抗网络（GANs）泛化误差的影响，发现存在一种最优输入维度（OID）可以最小化泛化误差，而通过降维和生成器网络结构的自动调整，G-GANs在估计和预测的稳定性和准确性方面得到了显著提升，并在模拟和基准数据上展示了出色的性能。

May, 2024