本研究提出了一种新方法，通过范围-零空间分解（RND）解决高光谱图像生成中的无配对数据对齐问题，并利用对比学习提升生成性能，建立了新的基准。

本文提出了一种新的无监督学习范例（USIS），通过使用自监督分割损失和基于整个图像小波的鉴别方法，结合在小波域中的生成器结构，实现了语义图像合成（SIS）的无配对数据情况下的性能提升。在三个数据集上进行测试，证明了新方法的有效性。

本文提出了一种新的无监督学习范例（USIS），通过使用自监督分割损失和基于整个图像小波的鉴别方法，结合在小波域中的生成器结构，实现了语义图像合成（SIS）的无配对数据情况下的性能提升。在三个数据集上进行测试，证明了新方法的有效性。

本文提出了一种用于无配对数据的跨领域面部重现方法，通过转换器在共同的潜变量空间对齐和转移不同领域中的动作。实验结果表明该方法优于其他竞争方法。