Self-Supervised GANs via Auxiliary Rotation Loss（通过辅助旋转损失的自监督的gan）

简介：这是一篇CVPR2019 的文章，作者很巧妙的通过引入自监督的方法，既解决了原始gan不稳定的问题（遗忘的问题），也解决了conditional gan需要标签数据的问题。
这个方法的主要目的：让判别器学习到一些有用的，稳定的，不受当前生成器影响的特征。

1.Abstract
Problem: gan网络因为他的遗忘性，造成不稳定。所以 引入条件Gan,但是条件gan需要带有标签的数据。

Method： 两个无监督学习技术融合，对抗训练和自监督
（具体的允许网络在特征学习任务上进行协作，而在经典的GAN任务中处于敌对状态。监督的作用是鼓励判别器学习有意义的、不会在训练中被遗忘的特征代表）

results: 取得和条件GAN相同的结果

2.Introduction
介绍了GAN网络，以及不稳定的原因。并列举了几个解决的办法.

3. A Key Issue: Discriminator Forgetting

4.Method 部分（ The Self-Supervised GAN）
赋予判别器一种机制，让判别器学习到有用的特征，并且不受当前生成器的质量。这个机制就是自监督的方法（图像旋转）。

论文中的网络总图

引入自监督前后的效果。

Collaborative Adversarial Training：