[1] [1] 1陈佛计， 朱枫， 吴清潇， 等. 生成对抗网络及其在图像生成中的应用研究综述［J］. 计算机学报， 2021， 44（2）： 347-369. doi: 10.11897/SP.J.1016.2021.00347CHENF J， ZHUF， WUQ X， et al. A survey about image generation with generative adversarial nets［J］. Chinese Journal of Computers， 2021， 44（2）： 347-369.（in Chinese）. doi: 10.11897/SP.J.1016.2021.00347ge Generation with Generative Adversarial Nets［J］. Chinese Journal of Computers，2021， 44（02）：347-369.（in Chinese）. doi: 10.11897/SP.J.1016.2021.00347

[2] [2] 2汪美琴， 袁伟伟， 张继业. 生成对抗网络GAN的研究综述［J］. 计算机工程与设计， 2021， 42（12）： 3389-3395.WANGM Q， YUANW W， ZHANGJ Y. Overview of research on generative adversarial network GAN［J］. Computer Engineering and Design， 2021， 42（12）： 3389-3395.（in Chinese）

[3] I GOODFELLOW, J POUGET-ABADIE, M MIRZA et al. Generative adversarial nets. Advances in neural information processing systems, 27(2014).

[4] T HAILING, S ZONGTAN, Y YUAN et al. Analysis and insights from the MIT technology review “top 10 breakthrough technologies” in the past six years. Chinese Journal of Engineering Science, 19, 85(2017).

[5] S NOWOZIN, B CSEKE, R TOMIOKA. f-gan： Training generative neural samplers using variational divergence minimization. Advances in neural information processing systems, 29(2016).

[6] X D MAO, Q LI, H R XIE et al. Least squares generative adversarial networks, 2813-2821(2017).

[7] M ARJOVSKY, S CHINTALA, L BOTTOU. Wasserstein generative adversarial networks, 214-223(2017).

[8] Y MROUEH, T SERCU. Fisher gan. Advances in Neural Information Processing Systems, 30(2017).

[9] R D HJELM, A P JACOB, T CHE et al. Boundary-seeking generative adversarial networks. arXiv preprint arXi-v：1702, 2017(08431).

[10] A RADFORD, L METZ, S CHINTALA. Unsupervised representation learning with deep convolutional generative adversarial networks. arXiv preprint arXiv：, 2015.

[11] A MAKHZANI, J SHLENS, N JAITLY et al. Adversarial Autoe-ncoders. arXiv preprint arXiv：, 2015.

[12] A ODENA, C OLAH, J SHLENS. Conditional image synthesis with auxiliary classifier gans, 2642-2651(2017).

[13] [13] 13孙艳丰， 齐光磊， 胡永利， 等. 基于改进Fisher准则的深度卷积神经网络识别算法［J］. 北京工业大学学报， 2015， 41（6）： 835-841.SUNY F， QIG L， HUY L， et al. Deep convolution neural network recognition algorithm based on improved fisher criterion［J］. Journal of Beijing University of Technology， 2015， 41（6）： 835-841.（in Chinese）

[14] B XU, N WANG, T CHEN et al. Empirical evaluation of rectified activations in convolutional network. arXiv preprint(2015).

[15] [15] 15马永杰， 徐小冬， 张茹， 等. 生成式对抗网络及其在图像生成中的研究进展［J］. 计算机科学与探索， 2021， 15（10）： 1795-1811.MAY J， XUX D， ZHANGR， et al. Generative adversarial network and its research progress in image generation［J］. Journal of Frontiers of Computer Science and Technology， 2021， 15（10）： 1795-1811.（in Chinese）

[16] [16] 16胡铭菲， 左信， 刘建伟. 深度生成模型综述［J］. 自动化学报， 2022， 48（1）： 40-74. doi: 10.16383/j.aas.c190866HUM F， ZUOX， LIUJ W. Survey on deep generative model［J］. Acta Automatica Sinica， 2022， 48（1）： 40-74.（in Chinese）. doi: 10.16383/j.aas.c190866

[17] M HEUSEL, H RAMSAUER, T UNTERTHINER et al. Gans trained by a two time-scale update rule converge to a local nash equilibrium. Advances in neural information proces-sing systems, 30(2017).

[18] [18] 18卢涛， 陈冲， 许若波， 等. 基于边缘增强生成对抗网络的人脸超分辨率重建［J］. 华中科技大学学报（自然科学版）， 2020， 48（1）： 87-92.LUT， CHENCH， XUR B， et al. Face hallucination based on edge enhanced generative adversarial network［J］. Journal of Huazhong University of Science and Technology （Natural Science Edition）， 2020， 48（1）： 87-92.（in Chinese）

[19] [19] 19赵海英， 周伟， 侯小刚， 等. 多标签分类的传统民族服饰纹样图像语义理解［J］. 光学 精密工程， 2020， 28（3）： 695-703. doi: 10.3788/OPE.20202803.0695ZHAOH Y， ZHOUW， HOUX G， et al. Multi-label classification of traditional national costume pattern image semantic understanding［J］. Opt. Precision Eng.， 2020， 28（3）： 695-703.（in Chinese）. doi: 10.3788/OPE.20202803.0695

[20] [20] 20徐哲， 耿杰， 蒋雯， 等. 联合训练生成对抗网络的半监督分类方法［J］. 光学 精密工程， 2021， 29（5）： 1127-1135. doi: 10.37188/OPE.20212905.1127XUZH， GENGJ， JIANGW， et al. Co-training generative adversarial networks for semi-supervised classification method［J］. Opt. Precision Eng.， 2021， 29（5）： 1127-1135.（in Chinese）. doi: 10.37188/OPE.20212905.1127

[21] [21] 21郝帅， 吴瑛琦， 马旭， 等. 基于CycleGAN-SIFT的可见光和红外图像匹配［J］. 光学 精密工程， 2022， 30（5）： 602-614. doi: 10.37188/OPE.20223005.0592HAOSH， WUY Q， MAX， et al. Visible and infrared image matching based on CycleGAN-SIFT［J］. Opt. Precision Eng.， 2022， 30（5）： 602-614.（in Chinese）. doi: 10.37188/OPE.20223005.0592ge matching based on CycleGAN-SIFT［J］.Optics and Pr-Engineeringecision，2022，30（5）：602-614.（in Chinese）. doi: 10.37188/OPE.20223005.0592