__阿健__的博客

《Learning Fixed Points in Generative Adversarial Networks: From Image-to-Image Translation to Disease Detection and Localization》这篇文章的主要工作是 针对 StarGAN 进行跨域转换时倾向于进行不必要不相关的变化，以及不能很好地处理同域转换 的问题进行了改进，并在此基础上创新性地 将图像转换拓展应用于 异常的弱监督检测和定位，仅需要图像级的标注。

CycleGAN 是 Jun-Yan Zhu 等人于17年3月份提出的对抗神经网络模型，模型理论与 pix2pix 非常相似。该模型的作用是 将一类图片转换成另外一类图片。具体点说，有X和Y两个图像域 (比如马和斑马)，CycleGAN能够将图像域X的图像 (马) 转换为图像域Y的图像 (斑马) ，或者是将图像域Y的图像 (斑马) 转换为图像域X的图像 (马) 。

Conditional GAN（条件GAN，CGAN）是Mehdi Mirza于2014年11月份发表的一篇文章，也是GAN系列早期经典模型之一，算是目前许多GAN应用的前身。文章的想法是希望GAN能够控制自己生成的图片，而不是随机生成图片。Conditional GAN在生成器的输入噪声中还增加了额外的条件信息，只有生成的图片足够真实且与与条件相符，才能够通过判别器。

starGAN 是 Yunjey Choi 等人于17年11月提出的一个模型。该模型可以实现 图像的多域间的迁移（作者在论文中具体应用于人脸属性的转换）。

DCGAN，全称是Deep Convolution Generative Adversarial Networks（深度卷积生成对抗网络），是Alec Radfor等人于2015年提出的一种模型。该模型在Original GAN的理论基础上，开创性地将 CNN 和 GAN 相结合以实现对图像的处理，并提出了 一系列的对网络结构的限制，以提高网络的稳定性。