- AAAIExGAN：极端样本的对抗生成
本研究提出了一种名为 ExGAN 的 GAN 方法，基于极值理论（EVT）来识别和生成真实和极端的训练样本，有效地帮助风险管理。该方法在测试中表现良好，可以用较短时间内生成所需要的多种极端事件模型。
- FakeLocator: GAN-Based 人脸篡改的鲁棒定位
本文提出了一种基于注意力机制和单个样本聚类方法的新方法 FakeLocator，旨在通过在 GAN 合成图像中检测伪造和定位伪造来解决众所周知的伪造定位问题，同时实现高定位精度和普适性
- MMCDGAN: 循环判别式生成对抗网络用于图像到图像转换
本文介绍了一种名为 CDGAN 的图像到图像转换网络，该网络在原有 CycleGAN 框架中添加了附加的鉴别器网络，以生成高质量、更逼真的图像，并在三个基准图像到图像转换数据集上进行了测试，结果表明该方法优于现有的最先进方法。
- 远程感知图像中的数据增强和适应的条件生成对抗网络
使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。
- GANSynth：对抗神经音频合成
本文介绍了在频谱域中建模日志幅度和瞬时频率可提高 GAN 在音频合成方面的表现，并通过 NSynth 数据集的大量实证研究表明，GAN 能够比强 WaveNet 基线在自动化和人工评估指标上表现更好，而且比自回归模型产生的音频快几个数量级。
- CVPRGANFIT：基于生成对抗网络的高保真度 3D 人脸重建
本文利用深度学习模型和生成对抗网络技术，在 UV 空间下重建面部纹理，并通过优化参数和预先训练的深度身份特征进行监督来实现高保真和身份保留的 3D 面部重建，同时在高频细节方面实现了面部纹理重建的最高成果
- AAAI基于层次结构的 GAN 场景生成序列框架
本文提出了一种基于生成对抗网络的场景生成框架，通过显式控制场景的背景和前景的生成器生成多样化的图像并更好的应对仿射变换和前景物体的遮挡等问题。
- AAAI独立先验下的分割掩模学习
我们提出了一种基于生成对抗网络（GANs）的独立先验的新框架，利用具有多个类别特定实例提供者、布局模块和组合模块的生成器生成图像，并通过散度损失和罚款进行训练，展示了该先验对实例分割很有用，并且可无监督地学习实例掩码。
- GAN 增强：使用生成对抗网络进行训练数据增强
本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。
- 采用分层 Wasserstein GAN 的逐渐增长方法，实现高分辨率视频生成
本研究提出了利用渐进生长的 GAN 模型生成高分辨率视频的方法，通过逐步增加空时卷积层训练模型，逐渐学习到空间外形和时间运动的信息。同时，作者引入 SWGAN 损失函数进行高维度视频数据的分布学习。在实验中，作者的模型取得了生成 256x2 - 基于小波生成对抗网络的人脸属性感知老化
使用基于小波的生成对抗网络与面部属性向量来提高合成面部图像的质量，能够更准确地呈现面部随着时间推移带来的变化，并在现有数据集上取得了最先进的表现。
- ECCV在受限空间中逃脱崩溃模式
通过对 Boundary Equilibrium Generative Adversarial Network（BEGAN）的研究，提出了一种新的模型 BEGAN with a Constrained Space（BEGAN-CS），在损失 - 变分推断中的分布匹配
本文揭示了 Variational Autoencoders (VAEs) 的局限性，它们无法稳定地学习潜在空间和可见空间中的边缘分布，因为学习过程是通过匹配条件分布进行的。同时，文章通过大规模的评估 VAE-GAN 混合模型并分析类概率估 - GAN 评价指标的利弊
本文综述了 24 个量化和 5 个定性评估措施，重点评估基于 GAN 的生成模型，并提供了 7 个期望，并评估了一个给定的措施或措施家族是否与它们兼容。