通过无监督的神经机器翻译（UNMT）的成功，研究人员引入了一种无监督的手语翻译和生成网络（USLNet），该网络能够从丰富的单模态数据中学习，而不需要平行手语数据。实验结果表明，USLNet在手语翻译和生成方面取得了竞争性的结果。

该研究提出了一种新的度量方法，用于评估生成网络的建模能力。该方法使用树状图来比较真实数据和生成数据之间的差异，特别关注无法捕捉训练集中所有模式的生成器。验证结果表明该方法具有竞争力。

本文介绍了一种新的生成网络SegAttnGAN，利用附加的分割信息进行文本到图像综合任务，相较于之前的技术，该模型可以生成更真实和准确的图像。在CUB和Oxford-102数据集上获得了高分数，并测试了自我关注SegAttnGAN，结果也很好。该模型可用于文本到图像综合任务。

本文提出了一种利用生成网络和检测网络将 RGB 图像转化为热成像图像的端到端框架，通过生成的热成像图像与真实数据进行比较，论证了使用生成对抗网络将 RGB 训练数据转化为热成像数据的可行性，从而加快和降低生成热成像数据的成本，满足安全应用的需求。