《天天澡天天揉揉AV在线》

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

【天天澡天天揉揉AV在线的相关新闻】