《推特爆乳福利姬在线播放》

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

【推特爆乳福利姬在线播放的相关新闻】