- 无需训练数据集的条件生成对抗网络
给定一个无限制的预训练生成网络和一个预训练分类器，通过不依赖于任何训练数据集，开发一个条件生成器是否可行？
- 生成模型：它们了解什么？它们知道什么？让我们找出来！
生成模型内部生产高质量的场景内在地图的低秩自适应插件 I LoRA 揭示了在没有额外解码器或完全微调原始网络的情况下，从原始生成器网络中直接提取内在场景地图的能力，并通过小型标记图像的优化和适应于各种生成架构的模型无关方法比较甚至超越领先的 - 利用对抗扰动的 OpenGL 着色器图像进行无数据知识蒸馏
无数据的知识蒸馏 (KD) 通过使用 OpenGL 图像和数据增强等方法来训练学生网络，达到了多个数据集 / 网络的最新结果，并且比现有的生成器基于无数据 KD 方法更为稳定。
- 基于 GAN 的动画到插画视频翻译的特征变形技术
本研究旨在探索将动画电影风格化为原始插图风格的视频到视频翻译新领域，提出了利用无序图像集合进行视频风格化的挑战性任务，为了确保视频风格转换的时间一致性，本论文提出了一种新的生成器网络，并在三个数据集上展示了其有效性。
- Fusion-S2iGan：一种高效有效的语音图像生成单阶段框架
采用音频表示与图像生成的融合结构，实现单阶段的语音到图像生成，比基于多阶段模块的现有方法更有效，更高效，性能与传统的文本到图像方法相当。
- 图像动画的一阶运动模型
本文描述了一种基于自监督学习的框架，可以将一个源图像中的对象根据驱动视频的运动进行动画处理，而不需要使用任何注释或有关特定对象的先前信息。使用一个经过训练的视频集合，我们的方法可以应用于此类对象的任何对象。
- GANILLA：用于图像到插图转换的生成对抗网络
本文研究了儿童图书插图作为无配对图像转换的新领域，并提出了一种新的生成器网络来解决当前图像转换模型在样式和内容之间无法取得平衡的问题。同时，本文还提出了一种新的评估框架，通过单独的分类器来考虑内容和样式，并在插图数据集上表现更好。
- CVPRCollaGAN: 遗漏图像数据填补的协同生成对抗网络
本文提出了一种基于协同生成对抗网络 (CollaGAN) 的缺失图像数据填充的框架，该框架将图像填充问题转化为多域图像到图像的翻译任务，以便通过单个生成器和判别器网络成功地使用剩余的干净数据集估计缺失数据，实验证明与现有竞争方法相比，Col - 深度神经网络降噪的速率最优化
使用生成网络和自编码器对带有噪声的图像进行去噪，当给定一个 $k$ 维码时，自编码器能将噪声能量减小到 $O (k/n)$，并且使用一个梯度算法的生成模型能将噪声能量降低到 $O (k/n)$。
- 通过最大均值差异优化训练生成神经网络
通过最大均值差异的无偏估计作为双样本检验统计量，将深度神经网络视为生成器网络，将学习过程看做最小化二元检验统计量，通过实证比较及理论边界分析，探究了生成对抗网络框架及无参数核双样本检验框架的异同。