《欧美黄色女星》

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

【欧美黄色女星的相关新闻】