《欧美一级aa片在线观看不卡》

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

【欧美一级aa片在线观看不卡的相关新闻】