《国产一区二区AV无码》

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

【国产一区二区AV无码的相关新闻】