生成式对抗网络GAN汇总

关于生成式对抗学习(Generative Adversarial Network, GAN)相关文章的阅读整理以及资源汇总。

文章：

• Generative Adversarial Nets (2014)[paper][code]
  
  1. Ian Goodfellow第一篇提及生成式对抗学习的文章，开创性的工作。
     – 提出了通过对抗网络来估计生成模型。
     – 理论阐述了模型的损失函数及其训练方法。
  2. 代码已经集成到Theano等机器学习框架中。

---

• Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks(2015)[paper][code]

  1. 提出了生成式对抗网络(GANs)与卷积神经网络(CNNs)的结合的深度卷积生成对抗网络(DCGANs)。
  2. 将训练好的的判别模型用于图像分类，和其他无监督方法的结果具有可比较性。

---

• Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial
  Network(2016)[paper] [code]
  
  1. 利用GAN来完成低分辨率图像的高清化。
  2. GAN在图片高清化问题上的成功应用，清晰明了，效果显著，很有参考性。

---

• StackGAN:Text to Photo realistic Image Synthesis with Stacked Generative Adversarial Network(2016)[paper][code]
  
  1. GAN用于基于文字描述的图片生成。
  2. 两个GAN,GAN-I 用于生成64$\times$64的低分辨率图像（前人已有工作），GAN-II 基于文字和低分辨率图像生成256$\times$256高分辨细节更多的图片。
  3. 看起来很像一个GAN文字生成图片加上一个GAN图片高清化，这是两个已经独立研究的工作，但是作者解释了里面的不同。GAN-II里面也融合了文字描述，有额外的信息输入，不像图片高清化里没有额外信息。

---

• NIPS 2016 Tutorial: Generative Adversarial Networks (2016)[paper]
  
  1. 大神Goodfellow在NIPS2016 Tutorial之后的总结以及会上提到重要问题的回答。总结性很强，内容很多（57页），干货很多。
  2. 内容主要有以下几个方面：
     – Why study generative modeling?
     – How do generative models work?
     – How do GANs work?
     – Tips and Tricks
     – Research Frontiers

其他：
1. 博客：GAN will change world! – 2016年GAN发展的总结以及2017年的一些展望。