《黄色操逼操逼大片》

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

【黄色操逼操逼大片的相关新闻】