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]
- 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。 - 代码已经集成到Theano等机器学习框架中。
- Ian Goodfellow第一篇提及生成式对抗学习的文章,开创性的工作。
Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks(2015)[paper][code]
- 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)。
- 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]
- 利用GAN来完成低分辨率图像的高清化。
- 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]
- GAN用于基于文字描述的图片生成。
- 两个GAN,GAN-I 用于生成64 × 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 × 256高分辨细节更多的图片。
- 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]
- 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。
- 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。