从2016年到现在关于文本生成图像的国内外研究现状

从2016年到现在，国内外有许多关于文本生成图像的研究，其中一些比较有代表性的包括以下几个方面:

1. 基于GAN的文本生成图像：Generative Adversarial Networks（GAN）是一种能够生成逼真图像的深度学习方法。近年来，研究者们开始尝试将GAN应用到文本生成图像的领域。 例如，pix2pixHD和StackGAN就是两个比较成功的例子。

2. 基于VAE的文本生成图像：Variational Autoencoders（VAE）是一种生成模型，可以学习生成某个概率分布中的样本。最近，一些研究者尝试将VAE应用于文本生成图像的任务中。例如，PixelVAE和DRAW就是几个使用VAE生成图像的例子。

3. 基于拼接的方法：这种方法是将文本转化为图像的一种常见方法。文本被看作是要生成的图像中的一层，其他的层是已经存在的图像。通过将文本层与其他层拼接起来，就可以生成文本描述对应的图像。GAN-INT-CLS和DenseCap就是比较成功的例子。

4. 基于卷积神经网络的文本生成图像：卷积神经网络（CNN）在图像处理领域取得了很大的成功，也被应用到了文本生成图像的任务中。特别是，在生成低分辨率图像的任务中，一些研究者使用CNN进行了探索。Pix2Pix和Context-Encoder就是比较著名的例子.

总之，从2016年到现在，研究者们在文本生成图像的任务中，探索了各种各样的方法，并且在不断取得进步。