《日本熟妇XX浓密黑毛HD》

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

【日本熟妇XX浓密黑毛HD的相关新闻】