本研究提出了一种基于条件生成对抗网络的防御框架，旨在应对联邦学习中的中毒攻击，通过生成合成数据验证客户端更新，显著提升真实阳性率和阴性率，从而增强系统安全性。

RainScaleGAN是一种条件生成对抗网络，旨在解决局部尺度降水模拟的挑战。它通过降尺度技术成功生成高分辨率的降水模式，其统计特征与真实数据高度相似，具有广泛的应用潜力。

本研究提出了一种基于条件生成对抗网络（ConGAN）和迁移学习框架（T-ConGAN）的方法，旨在解决家庭独特空间特性导致的标注数据获取困难，显著提升室内定位性能，尤其在楼梯和户外等挑战区域。

本研究提出条件生成对抗网络（cGAN），旨在解决传统GAN在生成内容时缺乏精确控制的问题。通过比较不同的条件化方法，揭示其特点和性能，为未来的生成建模研究提供指导。

本文介绍了一种新型条件生成对抗网络（GAN），用于从眼底照片合成荧光素血管造影图像，并预测视网膜退化。同时，研究提出了高质量的合成数据集SynFundus-1M，包含超过100万张视网膜图像，旨在改善眼部疾病的诊断和预防。通过优化模型和数据集，提升了糖尿病视网膜病变的检测可靠性。

本文探讨了多种图像上色方法，包括变分自编码器（VAE）、条件生成对抗网络（cGAN）和卷积神经网络（CNN）。研究表明，VAE在多样性上色效果上优于其他方法。提出的自动化上色系统和基于记忆的着色模型在图像和视频着色任务中表现出色，具有良好的泛化性能和用户自定义能力。

本文介绍了一种基于机器学习的建筑物映射方法，利用条件生成对抗网络和语义分割网络，从遥感影像中提取建筑物屋顶的边缘和角点，并生成矢量化建筑模型。研究验证了该方法在大型卫星图像上的有效性，显示出优越的性能和广泛的应用潜力。

本文介绍了一种新颖的条件生成对抗网络（UWAT-GAN），用于从眼底照片合成荧光素血管造影图像，并预测视网膜退化。该模型通过多尺度生成器和注意传输模块提高图像质量，实验结果表明其性能优于现有方法。

本文探讨了基于条件生成对抗网络（GAN）和深度学习的医学图像合成技术，旨在提高低剂量对比剂下的MRI图像质量。研究提出了新型迭代建模方法Gformer，结合注意机制和旋转位移模块，提升图像细节保真度。定量评估显示该模型在肿瘤分割等任务中表现优越，具有临床实用性。

本文介绍了一种创新的文本引导图像压缩方法，结合文本和图像特征，利用条件生成对抗网络提升重建图像质量。实验结果表明，该方法在低比特率下具有优越的视觉效果和语义保真度。

本文综述文本引导图像压缩的多模态方法，利用语义信息提升压缩性能，在极低比特率下改善视觉效果。相关研究涵盖双自适应掩膜、语义分割分层压缩、生成图像压缩及大规模多模态语义通信，通过语义一致性损失和条件生成对抗网络，在率失真性能和感知质量上超越现有技术。

本文综述事件相机图像重建研究：HyperE2VID利用超网络与动态卷积生成自适应滤波器，结合上下文融合和课程学习，实现更优重建质量、更少参数和更快推理；其他工作提升训练数据质量与性能，用循环网络直接重建图像并扩展至彩色合成，提出可解释eSL-Net恢复高质量图像，利用条件生成对抗网络生成图像视频，并将事件相机应用于运动模糊恢复和视频去雨等任务。

该论文介绍了一种新的方法，通过从2D交通模拟和录制的路口画面中创建逼真的图片来缩小“模拟-实际”之间的差距。该方法利用条件生成对抗网络和图神经网络，结合GNN处理信息的能力和分段图像来保留区域数据，创造基于模拟交通场景的真实城市交通图像。论文还提供了一个应用程序来测试该模型的能力。

本文介绍了使用GANs和CTGAN生成综合医疗记录的方法，成功生成了多样的综合X光图像和表格数据的合成记录，并通过可视评估、间记录距离分布和分类任务评估了生成的数据库。该方法有潜力在不损害数据二次使用的情况下公开发布合成数据集。