《中国一级特黄高清版》

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(🐰)

【中国一级特黄高清版的相关新闻】