本研究提出了一种新方法，结合领域适应算法、GAN和扩散模型，解决城市森林树木检测中的低分辨率图像分析问题。实验结果表明，该方法在树木分割上提高了超过50%的IoU指标，显示出在遥感领域的应用潜力。

本研究提出了一种新型生成对抗网络α-GAN，采用Rényi交叉熵作为损失函数，解决了传统GAN的收敛速度和梯度消失问题。研究表明，Rényi阶α在(0,1)范围内能有效加速收敛，推动GAN的发展。

本研究提出了一种基于可变形周期网络的生成对抗网络（DPN-GAN），旨在解决音频合成中的分辨率限制和模式崩溃问题。通过引入周期性偏置的ReLU激活函数和可变形卷积模块，显著提高了合成音频的质量和保真度。

本研究提出了一种新方法，解决联合学习中的数据质量问题，如噪声标签和不平衡分布。实验结果表明，该方法在MNIST和Fashion-MNIST数据集上显著提升了联邦模型的性能，为边缘设备提供了稳健的隐私合规解决方案。

本研究通过生成合成FDG PET图像，提升了深度无监督异常检测模型的性能。多种GAN框架验证了合成图像在轻微癫痫病变检测中的有效性，UAD模型的灵敏度达到74%，显示出其临床应用价值。

本研究提出了一种新的协同精英半监督学习生成对抗网络（CE-SSLGAN），克服了现有方法的局限性。实验结果表明，该方法在多个数据集上优于传统技术。

该研究提出了SMOGAN框架，旨在解决不平衡回归中预测变量偏斜的问题，显著提升了合成样本的质量和模型性能，实验结果表明其优于传统方法。

本研究提出了一种名为“GAN-SLAM”的方法，通过生成对抗网络提高动态机器人运动中的地图精度，显著改善2D地图质量，为自主系统的制图任务开辟了新方向。

本研究提出了一种新型智能优化器FSCO，通过强化学习动态控制生成对抗网络（GAN）的训练步长，从而提高训练稳定性并降低对步长的敏感性，实验结果验证了其有效性。

本研究解决了高质量居民负载数据稀缺的问题，提出了一种基于生成对抗网络的合成居民负载模式生成模型（RLP-GAN），采用弱监督学习和过完备自编码器，能够有效捕捉复杂的负载数据依赖性。实验证明，RLP-GAN在捕捉时间依赖性和生成与真实数据相似的负载模式方面超越了现有的最先进模型，所生成的合成数据集也对外公开，推动了相关领域的发展。

本研究提出了一种基于GAN集成的多目标优化方法，有效解决了生成医学成像时的高保真度、多样性和效率问题，成功生成多样化的合成医疗图像，提升了诊断建模效果。

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。

本研究针对生成对抗网络（GAN）中的模式崩溃问题，提出了一系列架构改进，以增强模型的多样性和稳定性。通过结合RLC正则化和铰链损失函数，我们的HingeRLC-GAN方法在生成图像的稳定性和多样性之间达成了有效平衡，并且在FID和KID评分方面优于现有方法，展示了其潜在的应用价值。

本研究提出了一种整合生成网络的方法，解决了深度神经网络测试中仿真器无法生成真实数据的问题。通过启发式搜索生成计算机视觉DNN的输入，结果表明该方法提高了输入的多样性和DNN的性能。