GAN 论文目录

1.GAN：提出GAN的模型框架

2.CGAN：GAN本来是一个无监督模型，CGAN将GAN拉回监督学习领域。

3.DCGAN：采用CNN结构实现GAN模型。

4.Improved Techniques for Training GANs:提出很多建立一个GAN结构的建议，理解GAN不稳定性的原因，给出稳定训练DCGANs的建议，如特征匹配(feature matching)，最小批次判别(minibatch discrimination)，单边标签平滑(one-sided label smoothing)、虚拟批归一化(virtual batch normalization)，应用在DCGAN上。

5.Pix2Pix：实现图像转换的应用。语义图转街景、黑白图片上色、素描图变真实照片。

使用到PatchGAN模型、U-Net结构，结合ResNet中的skip connection。

问题：训练数据必须成对，即需要原图片和对应转换后的图片，数据集非常难找。

6. CycleGAN：解决Pix2Pix的问题，仅需两个领域的数据集，不需要一一对应。提出循环一致性（Cycle-Consistency）损失函数

可实现普通马和斑马的转换、风格迁移。

7. Progressively Growing of GANs：提出了如何解决由于目标图片尺寸导致的不稳定问题。

8. StackGAN：采用先验知识以及多尺度方法。StackGAN通过一个文本向量来引入文本信息，并提取一些视觉特征。

9. BigGAN:当前ImageNet上图片生成最好的模型。很难复现，结合了自注意力机制、谱归一化（Spectral Normalization）

10. StyleGAN：难复现。借鉴Adaptive Instance Normalization(AdaIN)的自然风格转换技术，来控制隐空间变量z。但有很多有趣想法。

//待读完具体再总结