《国产精品美女在线一区》

深度(💛)学(🔼)习最强资源推荐：一文看尽 GAN 的前世今生

雷锋网 AI 科技评论按，生成对抗网络(🖍)是当前最热门的技术(🈂)之一，它掀起了一场技术革命，取得了很多重大的突破。不久前，伊利诺伊大学香槟分校(📫)的学生 Ajay Uppili Arasanipalai 在 Deep Learning 专栏发布了(😄)一篇文章，文章详细介绍了 GAN 自被提出(🤵)以来的发展历史，以及各(😶)种相关的(📜)论文、代码和博客。雷锋网 AI 科技评论将他的文章编译整理(🤝)如下。

当 Ian Goodfellow 在 2014 年(🌕)喝了一杯啤酒之后，在梦中产生了「生成对抗网络」（GANs）的想法时，他可能没(🐱)想到(🗒)这一领域进展如此之快：

你可能不知道(🦐)我要表达什么(🧣)意思——其实你刚才看到的图(👓)片完全、不可否认、100%…是假的。

此外，我并不是说，这些图片都是 photoshop、CGI 或用 Nvidia 目前的高级新技术填(🐾)补空白产生的。

我的意思是，这些图像完全(🔀)是通过加法、乘法在花费了大量 GPU 计算之后生成的。

实(🤦)现这些玩意儿的算法被称为生成性(🤰)对抗(🥠)网络，在过去几年中，Facebook 致力于生成对抗(🍴)网络的研究和创新比在隐私保护问题上更多。

2019 年 1 月 15 日，Ian Goodfellow 在 twitter 中表示，过去 4 年半，GAN 在人脸生成方面的进展可以查看下面的资料：

https://t.co/kiQkuYULMC

https://t.co/S4aBsU536b

https://t.co/8di6K6BxVC

https://t.co/UEFhewds2M

https://t.co/s6hKQz9gLz

https://t.co/F9Dkcfrq8l

总结 2014 年 vanilla GAN 的每一个进步，就和观看第 8 季《权力的游(⚫)戏》一样困难。因此，我将回顾几年来 GAN 研究中最(🦈)酷结果背后的关键思想(🥎)。

我不打算详细解释转置(🎓)卷积和 Wasserstein 距离等概念(🐫)。相反，我将提供一些最好的资源的链接，你可以(📠)使用这(🏠)些资源(🗳)快速了解这些(⛸)概念，这样你就会了解它们是如何融入大局的。

如果你还(🕚)在阅读，我假设你知道深度学习的基础(🆒)知识，你知道卷积神经网络是如何工作的。带着这些前提，下面先看看 GAN 的发(🚮)展路线图：

GAN 的发展路线图

我们将按照下面的顺序，一步一步学(🏃)习它：

GAN：生成对抗网络

DCGAN：深度卷积生成对抗网络

CGAN：条件生成对抗网络

CycleGAN

CoGAN：耦合生成对抗网络

ProGAN：生成对抗网络的渐进式增长

WGAN：Wasserstein 生成对抗网络

SAGAN：自注意力生成对抗(💇)网络

BigGAN：大生成对抗性(👢)网络

StyleGAN：基于风格的生成对抗网络

接下来让我们开始吧！

1.GAN：生成对抗网(🈴)络

图片来自于这篇论文：https://arxiv.org/pdf/1406.2661.pdf

相关资源：

论文

代码

其他重要资源：Ian Goodfellow 的 NIPS 2016 教程

现(😔)在，我知道你在想什(🦅)么了——天啊，那张令人毛骨悚然的、模糊的图像看起来像是一个数学迷从 Excel 表(📍)格中制作图片后放大的结果。

好吧，其实你猜的多多少少是对的（除去 excel 部分）。

早在 2014 年，Ian Goodfellow 就提出了一个革命性的想法——让两个神经(📓)网络相互竞争（或合(🎓)作，这是一个观点问题）。

一个神经(🔕)网络试图生成接近真实的数据（注意，GANs 可以用来模拟任何数据分布，但目前主要用于图像），另一个网络试图区分真实的数据和由生成网络(📱)生成的数据。

生成器网络使用判(💓)别器作为损耗函数，并更新(🛐)其参数以生成看起来更真实的数据。

另一方面，判别器网络更新其参数(👭)，以(🏣)便更好地从真实数据中(🥅)识别出假(💄)数据。所以它的性能也变(🤭)得更好了。

这个猫鼠游戏继续进行，直到系统达到所谓的(🎩)「平衡」。达到平衡以后，生成器创建的数据看起来足够真实，因此判别器能做的只是是随机猜测。

希望到目前为止，如果(🥩)你正确地缩进了代码，并且 Amazon 决定(🥚)不停止你的 SPOT 实例（顺便说一句，这不会发生在 FloydHub 上，因为它们提供了专用的 GPU 机器），那么你现在就有了一个生成器，可以精确地(🤗)创建和你的训练数据集相同的新数据。

现在，这是公认的 GANs 的一个(😀)非常简单的观点。你(💮)需要从这里学到的(💵)思想是，通过使用两个神经网络——一个神经网络生成数据，另一个神经网络从假数据中分类出真实数据。从理论上来说，你(😱)可以同时训练它们，收敛到一个点，在这个点上，生成器可以生成全新的、真实的数(🔡)据。

2.DCGAN：深卷积生成对抗网络

图片来源：https://arxiv.org/pdf/1511.06434.pdf

相关资源：

论文

代码(🙇)

其他资源: 媒体文章(🕛)

看到了吧，我会给你节省时间。

卷积=对于图像处理来说很有用(🚷)

GANs=适合生成一些东西

卷积+GANs=适合生成图像

事后看来，正如 Ian Goodfellow 在与 Lex Fridman 在一次广播节目中所指出的那样，他们将这种模型称为 DCGAN（即「深(🏡)层卷积(🤼)生成对抗网络」）似乎很(🏁)愚蠢，因为现在几乎所有与深度学习和图像相关的东西都是深度的、卷积的。

另外，当大多数人了解到 GANs 时，他们或多或少都会知道它们是「深度而卷积」的。

然而，曾经有一段时间，GANs 并不一定使(🖥)用基于卷积的操(🏕)作，而是依赖于标准的多层感知器架(💑)构。

DCGAN 改变了这一点(🥘)，使用了一种被称为转置卷积运算的方法(🕙)，它(🎩)还有一个「不幸的」名称，即反卷积层。

转置卷积(🚾)可以进行向上缩放操作。它们帮助(🔆)我(🚞)们将低(😶)分辨率图像转换为高分辨率图像。

但是，严肃地说，你需要通过上面介绍的论文、低吗(🏭)和(🤜)媒体资源来更好地理解转置卷积，因为它们是所有现代 GAN 架构的基础。

不过，如果你的时间有点短，那么你可以通过观看一个简单的动画，来大(🍔)概了解转置卷积是如何工作的：(🚃)

在 vanilla 卷积中，你应用一系列卷积（连同其他操作）来将图像映射到(🏉)更(🛺)低维的向量。

同样，按顺序应(👒)用多个转置卷积可以使我们将一个低分辨(⛹)率的单阵列演化为一个色彩明艳的全彩图(🎩)像。现在，在继续之前，我们先来探索一下使用(🐦) GAN 的一些独特方法。

你现在处(🏩)在第二个红色的「X」的位置

3.CGAN：条件(🐣)生成对抗网络

图片来源于论文：https://arxiv.org/pdf/1411.1784.pdf

相关资源：

论文

代码

其(🏄)他重要资源：(🐼)博客

原始的 GAN 从随机噪声中生成数据。这意味着你可以训练它，以小狗图像为例，它会产生更多的小狗图(🤚)像。

你还可以在小猫图像上训练它，在这种情况下，它将生成小猫的图(😎)像。

你也可以在演员 Nicholas Cage 的照片图像上训练它，在这种情况下，它(🙆)将生成 Nicholas Cage 图像。

你也可(🈵)以在(💔)很多别的图像上训(🚀)练它。明白了吗(🍄)？(🥦)在什么图像上训练 GAN，它就能生成更多的类似图像。

然而，如果你同时尝试在狗和猫的图像上训练它，它(🈷)会生成(😽)模糊的半品种，就和下图一(🚒)样。

图片由 Anusha Barwa 拍摄于 Unsplash

CGAN（代表「条件生成对抗网络」）旨在(⛎)通过告诉生成器只生成一个特定类的图像来解决这(📢)个问题，例(❔)如猫、狗或 Nicholas Cage。

具体来说，CGAN 将一个 one-hot 向量 y 连接到随机噪声矢量 z，得到如下结构：

现在，我们就可以利用同一个 GAN 生(🕌)成猫和狗。

4.CycleGAN

相关资源：

论文：

代码

其(⛷)他重要资源：Cyclegan 项目

媒体文章

GANs 不仅仅用于生成图像。他们还可以创造外表(🍱)上同时具有马和斑马特点的(🧒)生物，如上图所示。

为了创建这些(⬅)图(🔽)像，CycleGAN 致力于(👋)解决一个被称为图像到图像翻译的(🧑)问题。

CycleGAN 不(✡)是一种新的 GAN 架构，虽然它推动了最先进的图像合成技术。相反，它(😬)是一种使用 GANs 的聪明方法。所以你可以自由地在任何你喜欢的架构中使用这种技术。

这里有一(🥄)篇文章，我建议你读一下(😚)。它写得非常好，甚至对初学者(🐌)来说也很容易理解。文章地址：https://arxiv.org/abs/1703.10593v6。

这里的任务是训练网络 G（X），将(😭)图像从源域 X 映射到目标(📂)域 Y

但是，等等，你可能会问(🏥)，「这和常规的深度学习或风格转换有什么不同」。

好吧(🍌)，下面的图片很好地总结(🚞)了这一点。CycleGAN 进行未配(🚺)对的图像到图像的(🏝)转换。这意味着我们正在训练的图像不必代(👓)表相同的东西。

如果我们有大量的图像（DaVinci-ify 的图像绘画）对收藏的话，DaVinci-ify 将（相对地）很容(🐸)易识别图像。

不幸的是，这家伙没来得及完成太多的画。

然而，CycleGAN 使用未配对的数据进行训练。所以我们不需要相同事物的两个图像。

另一方面，我们可以使用样式转换。但这只会提取一个特定图像的样式，并将其转换为另一个图像，这意味着我们无法从马转换为斑马。

然而，CycleGAN 学习从一(🏣)个图像域到另一个图(🏟)像域的映射。所以我们可以在所有 Monet 绘画的集(🐢)合上对它(🎮)进行训练。

他们使用的方法相当优雅。CycleGAN 由两个生成器 G 和 F 以及两个判别器 Dx 和 Dy 组成。

G 从 X 中获取图像，并试图将其映射到 Y 中的某个图像。判别器 Dy 判断图像是由 G 生成的，还是实际上是在 Y 中生成的。

同样地，F 从 Y 中获取一个图像，并试图将其映射到 X 中的某个图像，判别器 Dx 预测图像是由 F 生成的还是实际存在于 X 中的。

所有四个网络都是以普通的 GAN 的方式训练的，直到(👚)得到强大的生成器 G 和 F，它们可以很好地执行图像到图像的翻译任务，骗过判别器。

这种对抗性的损失听起来是个好主意，但还不够。为了进一步提高性能，CycleGAN 使用另一个度量，即循环一致性损失。

一般来说，想想好的翻译人员的特点。其中之一是，当你来回翻译时，你应该得到同样的东西。

CycleGAN 巧妙地实现了(👺)这个想法，它强制网(😵)络遵守这些限制条件：

F（G（x））≈x，x∈X

G（F（y））≈y，y∈Y

从视觉上看，循环一致性如下：

总损耗函数的构造(🚼)方式是，惩罚不符合上述特性的网络。我不打算在这里写出损失函数，因为这会破坏它在论文里面的组合方式。

好吧，在越(🏀)聊越偏之前，让我们回到寻找更好的 GAN 架构的主要任务。

5.CoGAN：耦(🕍)合生成对抗网络

图片来源于论文：https://arxiv.org/pdf/1606.07536.pdf

相关资源：

论文：

代码：

其(😛)他重要资源：博客论文

你知(🚥)道什么比一个 GAN 更好吗？两个 GAN！

CoGAN 就是这样做的（CoGAN 代表「耦(🛌)合生成对抗网络」，不要与 CGAN 混(🐤)淆，CGAN 代表条件生成对抗网络）。它训练的(🌫)是「两个」GAN 而不是一个。

当然，GAN 的研究人员也无法停止将 GAN 类比成警察和伪造者的言论。因此，GAN 背后的思想，用作者自己的话说就是：

在比赛中，有两个队，每个队(🍷)有两名队员。生(🚮)成模型组成一个团队，共同在两个不同的域中合成一对图像，以混淆区分模型。判别模型试图将从各自领域的训练数据分布中提取的图像与从各(🧝)自(🥞)生成模型中提取的图像区分开来。同一队的队员之间的协作是从权重分担机制中建立起来(⏺)的。

好吧，有一个由多个 GAN 组成的局域网络听起来不错，但你如何使它工作？

结果(👊)证明这并不太复杂，你只需要让网络对某些层使用完全相同的权重。

在我看来，CoGAN 最酷的(💠)地方不在于它能提高图像生成质量，也不在于它可以在多个图(👏)像域上训练。

事实上，你只需要花费 1.5 张图片的代价(💫)来得到 2 张图片。

因为共享了一些权重(🦑)，所以与两个单独的 GAN 相(🍅)比，CoGAN 的参数更少（因此可以节省更多的内存、计算和存储空间）。

这是一种「过时」的微妙(🤘)技巧，而且我们今(➰)天(🏚)看到的一些 GAN 的新方法是不使用它们的。

但总有一天，我想(🥏)我们会再次(🤔)用到它们的。

6.ProGAN：渐进式增长(🎶)的生成对抗网络

图片来源于论文：https://arxiv.org/pdf/1710.10196.pdf

相关资源推荐：

论文：

代码

其他优秀资源：媒体文章

演示视频

在训练 GANs 的时(🎍)候会有很(🌯)多问题，其中最重要的是训(🍹)练的不稳定性(🛅)。

有时，GAN 的损耗会波动，因为生成器(🍡)和判别器会相互破(🏧)坏另一方的学习。其他(🚴)时候，在网络聚合后损耗可能会爆炸，图像开始变得看起来可怕。

ProGAN（代(🚜)表了生成对抗网络的逐步增长）是一种通过增加生成图像的分(💗)辨率来帮助稳定(🍸) GAN 训练的技术。

这里我们会有一种直觉，那就是生成 4x4 图像比生成 1024x1024 图像更容易。此外，将 16x16 图像映射到 32x32 图像比将 2x2 图像映射到 32x32 图像更容易(📑)。

因此，ProGAN 首先训练一个 4x4 生成器和一个 4x4 判别器，然后在训练过程中添加对应于更高分辨率的层。这个动画总结了我所描述(🍓)的(🎩)：

7.WGAN: Wasserstein 生成对抗网络

图片来源于(🉑)论文：https://arxiv.org/pdf/1701.07875.pdf

相关资源推荐：

论文

代码

其他优秀资源：DFL 课程

博客文章

其它博客

媒体文章

这一部分也许是这篇文章(🏨)中最偏理论和数(🈹)学的一部分。作者把大(🗺)量的证明、推论和一些数学术语塞进其中。所以如果积分概率度量和 Lipschitz 连续性不是你关心的事(🕦)情，我不会在这件事上花太多时间。

简而言之，WGAN（W 代表 Wasserstein）提出(🥄)了一种新的成本函数，这(🚭)种函数有一些非常好的性(🔷)质，使得它在数学家和统计学家中非常流行。

这是旧版的(🐺) GANGAN minimax 优化公式：

这里是 WGAN 使用的新方法：

在大多数情况下，这就是在实践中使用 WGAN 所需要知道的全部内容。

只需剔除旧的成本函数(🏿)，它近似一个称为 Jensen-Shannon 散度的统计量。然后加入新的成本函数，它近似一个称为 1-Wasserstein 距离的统计量。

原因如(👏)下：

图片来源于论文：https://arxiv.org/pdf/1701.07875.pdf

然(🚳)而，如果你感兴趣，下面是对(🎫)它的数学原理的快速回顾，而且这也正是 WGAN 论文如此受欢迎的原因。

原始的 GAN 论文表明，当判别器为最优时，生成器被更新，以使 Jensen-Shannon 散度最小化(🎤)。

如果你不熟悉 Jensen-Shannon，我来解释一下。Jensen-Shannon 散(📞)度是一种测量两种不同的概率是如何分布的方(🦃)法。JSD 越大，两个分布越「不同」，反之亦然。计算(😏)方(🦎)法如(🐘)下：

然而，最小化(😭) JSD 是最(⛽)好的方法吗？

WGAN 论(🕑)文的作者认为这可能不是，这(🎧)是出于(🔅)一个特殊的原因——当两个分布(🍎)完全不重叠时，你可以发现，JSD 的值保持为 2log2 的常量值(🚗)。

当一个函数值为(😂)一个常量值时，它的梯度等于零，而零梯度是不好的，因为这意味着生成器什么也学不到。

WGAN 作者提出(🌐)的替代距离度量的是 1-Wasserstein 距离，有时称为地球移(⛑)动距离。

图片来源于论文：https://arxiv.org/pdf/1701.07875.pdf

地球移动距离这个名称(🕯)是类比得来的。你可以想象，假设两个分布中的一(🎍)个是一堆土，另一个是一个坑。地球移动距离是指将土堆运至坑内的成本，其前(🔓)提是要尽可能高效地运(🔜)输泥土、沙子、灰(🎯)尘等。在这里，「成本」被认为是点之间的距(😣)离×移动的土方量。

具体来说（没有双关语），两个分布之间的地球移动距离可写为：

其中 inf 是中位数（最小值），x 和 y 是两个分布上的点，γ是最佳的运(⏹)输(💵)方法。

不幸的是，它的计(🌶)算非常复杂，难以解决(😳)。因此，我们计算的是完全不同的东西：(🕶)

这两个方程之间的联系一开始似乎并不明显，但通过一个叫做 Kantorovich-Rubenstein 对(🔤)偶的奇特数(🚖)学公式，你可(🌇)以证明这些 Wasserstein/地球移动器(🦈)距离的公式正(🎲)试(✍)图计算相同的事情。

如果你不能在我给出的论文和博客文章中(🐋)学到一些重要的数学知识，不要担心太(🌔)多。关于 WGAN 的大部分工作，其实都只是为公认的简单想法提供一个复杂的（严格的）理由。

8.SAGAN：自注意力生成对抗网络

图片来源于论文：https://arxiv.org/pdf/1805.08318v1.pdf

相关资源推荐：

论文

代码

其他重(🍬)要资源：博客文章

媒体文(🏓)章

由于 GANs 使用转置卷积来「扫描」特征图，因此它们只能访问附近的信息。

单独使用转置卷积就像在绘制图片的时候，只查看画笔小半径范围内的画布区域。

即使是可以完美地完成最特殊、最复杂的细节的最伟大的艺术家们，也需要后退一步，观察全局。

SAGAN 使(🐪)用自注意力机制，由于其转换架构，近年来它已非常流行。

自注意力让生成器后退一步，看(🎙)看「大局」(✔)。

9.BigGAN

相关资源推荐：

论(🤠)文：

代码：

其(🤺)他重要资源：两分钟的论文视频

梯度 pub 论文

媒体文章

四年之后，DeepMind 决定使用 GANs 做以(👪)前没人做过(🛸)的事。他们使用了一种神秘的深度学习技术，这种技术非常强大(🤟)，使得当前最先进的(🔉)模型在恐惧中颤抖，因为它远远超越了当时最先进的排行榜上的所有技(🌍)术(🈲)。

我向你介绍了 BigGAN，它是一个完全不做任何事情的 GAN（但是它(✏)运行着一组 TPU 集(💷)群，不知为何我觉得它应该在这个列表中）。

看起来像开玩笑的是，DeepMind 团队的确利用 BigGAN 完成了很(🏇)多工作。除了用真实的图像吸引了所有的目光之外(🌍)，BigGAN 还向我们展示了一些非常详细的大规模训练的(🤚)结果(😫)。

BigGAN 背后的(🏕)团队引入了各种技(🔕)术，以克服跨多台机器大(📐)批量训练 GAN 的不稳定性。

首先，DeepMind 使用 SAGAN 作(🦃)为基线，并附加了一个称为谱归一(🈴)化的特征。他们将 batch 的大小缩放了 50%，宽度（通道数）缩放(🕰)了 20%。最初，增加层的数量似乎没有帮助。

在尝试了很多其他方法之后，作者使用「截断技巧」来提高采样图像的质量。

在训练过程中，如果(🏖)潜在向量在生成图像时落在给定范围之外，则对其重新采样。给定(👎)范围是一个超参数，用ψ表示。较小的ψ缩小了范围，牺牲多样性(🍟)以增加样(🗑)品保真度。

那么，所有这些复杂的调优工作都会产生什么结果呢？好吧，有(📇)人称之为 dogball：

BigGAN 还表明，大规模的训练会(👊)有自己的一系列问题。值得注意的是，通过增加 batch 大小和宽度等参数，训(🙂)练似乎可以很好地扩展，但出于某种原因，训练最终会崩溃。

如果你觉得分析奇异常值来理解这种不稳定性听起(🏡)来很有趣，请看这篇论文，在论文中(🔰)，你会发现很多不稳(🍕)定性。

最后，作者还(👟)训练了一个 BigGAN 的新数据集，叫做 JFT-300，它是一个类似于 ImageNet 的数据集，大(🥝)概有 3 亿张图片。BigGAN 在这个数据集上的表现更好，这表明更大规模的数据集可能是 GANs 的发展方向。

在(🧝)论(👝)文的第一版发表后，过了几个月，作者重新尝试了 BigGAN。还记得我说过增加层数不起作用吗？后(🧑)面发现这是由于糟糕的架构。

该团队没有将更(😒)多的层塞进模型中，而是进行了实验，发现使用深度残差网络 bottleneck 是解决问题的方法。

通过上述所有的调整、缩放和仔细的实验，BigGAN 以最(😗)高(🔔) 152.8 分的表现完(💯)全超越了先前的最先进的起步分数 52.52。

如果这都不是进步，那么我不知道什么才是进步。

10.StyleGAN：基于风格的生成对抗性网络

图片来源于(♒)论文：https://arxiv.org/abs/1812.04948

相(♎)关资源推荐：

论文：

代码：

其他优(📠)质资源：thispersondoesnotexist

博(👾)文

另外一篇博文

技术总结文

StyleGAN（style generative adversarial network）是(🅰) NVIDIA 研究院的成果，它与传统的 GAN 的研究背道而驰，后者侧重于(💰)损失函数、稳定性、体系结构等。

如果你想生(🌜)成汽车的图像，那么拥有一个世界级的、可以愚弄地球上大多(🐩)数人的人脸图像生成器是毫无意义的。

因此，StyleGAN 没有专注于创建更真实的图像，而是改进了 GANs 对生成(📙)的图像进行精(🍌)细控(🏳)制的能力。

正如我提到的，StyleGAN 不专注于架(🔁)构和损失函数。相反，它是一套技术，可以(🍌)与任何 GAN 一起使用，允许你执行各种酷的事(💎)情(💑)，如混合图像、在多个级(🎰)别上改变(🐽)细节以及执行更高级的样式转换。

换言之，StyleGAN 就像一个 photoshop 插(🏦)件，而大多数 GAN 的进展都像是 photoshop 的新版本。

为了实现这(🐮)一级别的图像样式控(💧)制，StyleGAN 使用了现有的技术(📣)，如自适应实例规范化、潜在的矢量映射网络和持续的学习输入。

很难在不了解细节的情况下进一步描述(🙋) StyleGAN，因此如果你感兴趣，请查看我的文章，我在其中演示了如何使用 StyleGAN 生成权力游戏里面的人物。我对其中所有的技术都有(✈)详细的解释，这里面(💆)有很多很(💋)酷的结果。

结论

哇，你做到了，祝贺(💚)你！你现在知道了这个领域里面(🥘)的所有最新突破，包括制作虚假的个人资料图片。但是，在你(✒)躺在沙发上开始无休止的浏览推特之前，花点时间看看你已经走(☕)了多远：

接下来是什么？！未勘探区域！

在攀登了 ProGAN 和 StyleGAN 的山脉，穿越计算的海洋到达了 BigGAN 的广阔领域之后，你很容易在这些地方迷路。

但是，请放大地图仔(🕘)细看看。你看到那片绿色的土地了吗？看到北部的红色三角洲(👮)了吗？

这些是未经探索的区域(🎰)，还有待取得突破。如果你坚持信仰一直努力，他们都可以是你的。

再(🦈)见，我的朋友，还有更大的海洋需要去航行。

结语：一(🏖)些有趣的现代研究

到目前为止，如(🐗)果你已经阅读了我共享的所有资源，那么你应该对 GAN 技术的一些最重要的突破(🚇)有了扎实的理解。

但毫无疑(🌆)问，还会有更多的技术。跟上研究是困难的，但这(🎥)并非不可能。我建议你尽量坚持阅读最新的论文，因为它们可能会帮助你的项目产生(📹)最好的结果。

为了帮(👫)助你开(🐎)始，以下是一些前沿研究项目（截至 2019 年 5 月）：

你现在可能已经听说了「DeOldify」。如果没有，跳到这里！但它最近有一个(🌪)更新，它引入了一种新的训练技术 NoGAN。你(🌋)可以在他们的博(🐌)客和代码中查看详细信息。

如果你没有 Google 级的数(🏋)据量，那么从头再现 BigGAN 的结果是很有挑战性的。这里有一篇 ICML2019 论文，它提议用(🅰)更少的标签来训练 BigGAN 模型。

当然，GANs 并不是唯一一种基于深度学习(⏲)的图像生成技(📍)术。最近(🚘)，OpenAI 推出了一个全新的模型，叫做(😐)稀疏 transformer，它利用 transformer 架构来生成图像。和往常一(🐤)样，他们发布了论文、博客和代码。

虽然，这不是什么新的研究，但你应该听听 GANs 的(😈)起源故事：

Nvidia 有一个非常酷的项(🏝)目，叫做 GauGAN，它可以把随手乱描的涂鸦变成现实主义的杰作。这确实是你需要经(🏃)历才能理解的事情。所以先看(🐆)看演示视频，然后读他们的博客和论文。

你有没有想过如何「调试(🎓)」一个 GAN？现在有一篇 ICLR 2019 论文提出了一个有希望(🎴)的解决方案。

尽管我让 GAN 看起来很酷，但接下来还有很(🛬)多工作要做。有(🚃)一篇优(🍼)秀的总结文(🚫)总结(🥩)了一些(🍷)尚未解决的问题。

看起来，有人找到了另一种在真实世界中(🕋)用 GAN 的方法。

关于这一点，可以查看 6 月 13 日，Yann LeCun 推荐的文章：(🦒)https://t.co/IFYJwb30cw。

via：(🕵)https://blog.floydhub.com/gans-story-so-far/

雷锋网雷锋网

【国产精品美女在线一区的相关新闻】