Apathetical的博客

Star-GAN阅读笔记SummaryContributionRelated WorkApproach and Model ArchitectureImplementExperiments在CelebA数据集实验对比如下在RaFD数据集实验对比如下CodeSummary之前传统的GAN只能在两个域之间做图像转换(例如Cycle-GAN)，如果要在多个域之间做图像转换，则需要N(N-1)对生成器/鉴别器。然而Star-GAN仅使用一个生成器/判别器，就完成了多个域之间的图像转换，它的训练单元为[图像, 域

Circle-GAN阅读笔记SummaryContributionRelated WorkApproach and Model ArchitectureComparison against baselinesCodeSummaryContribution传统的训练都是利用图片对进行训练，存在的问题就是图片对不好收集，比如从真实图片转换到MoNet风格的图片，论文提出了circle结构，实现了图片域<->图片域的转换Related Work生成对抗网络图像到图像翻译未配对的图像

Pix2Pix-GAN阅读笔记SummaryContributionRelated WorkApproach and Model ArchitectureExperimentsCodeSummaryContribution证明条件生成对抗网络在各种问题上都能产生合理的结果提出一个足够取得良好结果的简单框架，并分析几种重要架构选择的影响Related Work这篇论文的前置知识是cGAN，cGAN即在普通的GAN基础上添加约束条件，使得生成器产生的输出不至于太自由、太离谱。思想很简单，添加一个

DC-GAN阅读笔记SummaryContributionRelated WorkApproach and Model ArchitectureSummaryContribution提出了针对卷积生成网络的一组约束，使得GAN在大多数情况下都能够良好训练，作者将其命名为DC-GAN训练好的discriminators可以当作类别分类器，作者将其与其他无监督的方法进行比较可视化了feature map，证明了网络确实学到了一些语义证明了对生成器某些参数进行数值上的改变可以操纵图片Relate