- 面向城市场景实用语义图像合成
本文提出了一种使用无监督学习和鉴别器的框架，通过对城市场景生成逼真的照片来实现自主驾驶，避免大量验证和训练数据的高昂成本。
- ICLR对抗支持对齐
该研究提出了一种基于对称支持差异测量来量化不匹配的支持的方法，通过优化鉴别器在一维输出空间中的对称松弛最优输运成本，实现支持的对齐，并在标签分布转移的领域适应任务中得到了更强的稳健性。
- CVPR特征统计混合正则化用于生成对抗网络
该论文提出利用特征统计混合正则化 (FSMR) 方法提高生成对抗网络中鉴别器的性能，使其对图像的样式具有不变性，以达到更好的图像生成效果，并在 9 个数据集上验证了该方法的有效性。
- AAAI具有有限标签的边缘竞争型病理性肝血管分割
通过建立肝脏病理图像数据集和引入边缘竞争血管分割网络（EVS-Net）, 本文提出了一种精确的血管分割算法来自动诊断肝细胞癌的微血管侵犯 (MVI)，该方法比传统的全监督方法表现更优。
- ACL通过多元对手应对训练中的偏差问题
本文提出了一种基于多个不同鉴别器的新型对抗学习方法，通过鼓励鉴别器相互学习正交隐藏表征，从而显著改善了标准对抗去偏差方法对于降低偏见和提升训练稳定性的效果。
- 条件 Sig-Wasserstein GANs 用于时间序列生成
本研究通过引入数学原理的特征提取技术 “路径签名” 将生成式对抗网络（GANs）与时间序列数据相结合，开发了一种新型判别器和生成器方法，能够成功地在合成数据和实际数据集上优化相似性和预测能力的性能表现。
- 特征图级别在线对抗知识蒸馏
本文提出了一种在线知识蒸馏方法，在对抗训练框架下同时传输分类概率和特征图的知识，并使用判别器区分不同网络的特征图分布进行训练，比传统的直接对齐方法（如 L1）更适用于在线蒸馏，在多个网络之间引入循环学习方案，实验表明该方法的性能显著提高，特 - 可视化无形：遮挡车辆分割与恢复
本文提出了一种新颖的迭代多任务框架，用于完成遮挡车辆的分割掩膜并恢复其不可见部分的外观，并在包含合成和真实世界图像的数据集上表明了我们的方法优于现有方法，同时也证明了外观恢复方法在遮挡车辆跟踪中的应用价值。
- KDD使用深度生成模型进行姿势引导的时尚图像合成
本文提出了一种基于新颖的深度生成模型的图像迁移方法，可以在保持服装一致的情况下将一个人的图像从一个给定的姿势转移至一个新的姿势，使用图像编码器、姿势编码器和解码器的结构，同时利用两个鉴别器来指导产生过程。经过严格的实验，在两个数据集上定量和 - 多个鉴别器的生成对抗网络多目标训练
本研究重新审视多判别器模型，将不同模型提供的损失的同时最小化作为多目标优化问题，并评估多种数据集上的多梯度下降和超体积最大化算法的性能。我们的结果表明，超体积最大化在样本质量和计算成本之间提供了更好的折衷方案，比之前方法更优。
- GAN 的判别器可近似性意味着多样性
本文研究发现，通过针对特定生成器选择具有强鉴别能力的鉴别器以学习 Wasserstein 距离下（或者在很多情况下是 KL 散度下）的分布，一定能以多项式复杂度学习，从而解决了 GANs 过于简单导致模式严重缺失的问题。
- 行人合成 GAN：在实景及更多场景下生成行人数据
本文提出了使用生成对抗网络（GAN）与多个辨别器结合的方法，生成大量逼真的行人图像并应用到行人检测任务中，证明通过添加合成数据可以显著地提高检测器的性能。
- 半监督条件生成对抗网络
提出了一种新的半监督生成对抗网络模型 (SS-GAN)，通过适应 GAN 框架，使用一对堆叠的鉴别器来学习数据的边际分布和数据属性的条件分布，特别针对半监督学习，通过有标记和无标记数据学习数据的边际分布并通过有标记数据纯粹地学习属性的条件分 - 对抗 PoseNet：一种结构感知的卷积网络，用于人体姿态估计
本文使用结构感知卷积网络来隐式地将人体结构的先验信息纳入深度网络的训练，以便在单目图像中实现更好的人体姿态估计。
- ICLR正则化生成对抗网络
本研究论文证明生成式对抗网络的不稳定性和漏模现象源自鉴别器在高位空间内的特殊功能形状，提出了多种正则化目标的解决方案从而实现生成模型的稳定训练并解决数据生成分布的漏模问题。