《97狠狠爱大香蕉》

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

【97狠狠爱大香蕉的相关新闻】