为加强研究生学术交流活动，推进学术创新，特开通“研究生学术报告预告区”。我校研究生和教师可以在预告区及时发布和了解有关研究生学术报告的信息，届时参加。也可就某学术报告展开专题讨论与交流。
生成式对抗网络GAN自提出后取得了快速的发展，Mirza等人提出条件生成式对抗网络cGAN，在传统GAN中加入额外的标签信息，带来更好质量的图像，并能够在一定程度上控制生成图像的外观； Salimans等人将GAN与深度卷积神经网络相结合，提出DCGAN，产生分辨率更高、内容更加复杂的数据；Isola等人基于cGAN提出用于图像风格转换的pix2pix算法；Taesung等人提出基于不配对数据库的图像到图像转换算法cycleGAN，将循环一致性损失与对抗性损失相结合，有效的解决了数据不配对问题，使得图像风格转换进入到新的阶段。通过GAN算法训练海量的图片，得到生成模型，渲染从白模提取出的图片，并结合相应的特征提取算法，提取图片特征，建立数据库索引，用于后期通过二维图片检索三维模型，将生成式对抗网络与三维模型检索算法有效地结合，提高检索准确率。