《东京日本一区二区高清版正版》

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

【东京日本一区二区高清版正版的相关新闻】