《日本免费艹逼网》

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

【日本免费艹逼网的相关新闻】