《美日黄色免费看色片》

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

【美日黄色免费看色片的相关新闻】