关于GAN的基础学习

①GAN的基础学习：

1. 原理：generator（简称G）与discriminator（简称D）的博弈，如input为noise，output为fake image。G尽量让生成的fake image被D判为真，D却又尽量让自己不判断错误，两者相互竞争并学习。最终目的，让G生成的fake image的分布与real image的distribution保持一致。
2. loss公式的计算：

注：D(x)表示D将real image判断为真的概率，D(G(z))表示D将G生产的fake image判为真的概率。第一项为D对real image的置信度（用来optimize G），第二项D对fake image的置信度。

1. trick：

1.  G在optimize时容易过拟合，通常optimize k次D再optimize一次G

ii) 刚开始训练时，因为G较差，D有很高的置信度，为提高足够的梯度，采用梯度上升的方式训练D。

②以TensorFlow的mnist作数据集跑通并分析代码，如下图

③文献阅读：

1. 2014 NIPS .GoodFellow提出的GAN的原文
2. 2016 NIPS .Learning What and Where to Draw，以text为条件的GAN来做图像生成
3. 2017 CVPR .Image 2 Image Translation with Conditional Adversarial Net，提出pixel2pixel（patchGAN）的方法，并以高级的角度理解GAN——让生成的图片尽可能真实，即不需要人为去设定复杂的loss，提出了通用的framework解决大量问题
4. 2017 ICCV .Unpaired Image 2 Image Translation using Cycle-Consistent Adversarial Networks（cycleGAN），与c)篇同一个团队发的论文，c)篇有监督，但这篇无监督。即考虑到ground truth的image很难找到，采用X->Y->X的方式进行无监督学习。个人理解是dirtibution 2 distribution的学习，也由此可能导致两个distribution内的标签混乱情况（如：X中的马<->Y中的树）。
5. 2017 NIPS .Pose Guided Person Image Generation，两个数据集：market（行人），fashion。即在给定pose和ground truth的情况下，让orginal image生成指定pose的image。
6. 2018 CVPR .Unsupervised Person Image Synthesis in Arbitrary Poses，采用d)篇的cycleGAN和patchGAN方法，用无监督的方式来得到指定pose的image（输入为original image + pose）