拜读了好多大神总结的GAN文章,做一个简单的记录整理,以便日后翻看查阅。如果不小心侵权,请见谅,联系我马上删除!
---------------------------------------------
综述 | 一文帮你发现各种出色的GAN变体
http://www.sohu.com/a/130353128_465975如果对 GAN 的基本实现感兴趣,这里是一些简短代码的链接:Tensorflow(链接:http://suo.im/pLYbO)
---------------------------------------------
深度卷积 GAN(DCGAN)
在以下情况,你可能想要使用 DCGAN:
- 你想要比常规 GAN 更好的东西(或者说,总是)。常规 GAN 可以在简单的数据集上工作,但是 DCGAN 相比要好得多
- 你正在寻找一个坚实的基准,以便与最新、最先进的 GAN 算法进行比较。从这一点上,我将描述的所有类型的 GAN 都被假定为具有 DCGAN 架构,除非明确说明。
---------------------------------------------
条件性 GAN(CGAN)[来源文章](https://arxiv.org/abs/1411.1784)
想要使用条件性 GAN,如果:
- 你有一个已标记的训练集,并希望提高生成图像的质量
- 你想要明确控制图像的某些方面(例如,我想在这一特定位置生成这一尺寸的红鸟)。
---------------------------------------------
StackGAN
[article](链接:https://arxiv.org/abs/1612.03242)
[code](https://github.com/hanzhanggit/StackGAN)
---------------------------------------------
InfoGANs [文章](https://arxiv.org/abs/1606.03657点击打开链接)
能够以无监督的方式在噪声向量 Z 的一部分中编码有意义的图像特征的 GAN。例如,对一个数字的旋转进行编码。
想要使用 infoGAN,如果:
- 你的数据集不是很复杂。
- 你想训练 cGAN,但你没有标签信息。
- 你希望看到数据集的主要的有意义的图像特征是什么,并且可以控制它们。
---------------------------------------------
Wasserstein GAN [文章](https://arxiv.org/abs/1701.07875)
改变损失函数以包含 Wasserstein 距离。结果,WassGAN 具有与图像质量相关的损失函数。此外,训练稳定性也提高了,而且不依赖于架构。
想要使用 Wasserstein GAN,如果:
- 你正在寻找具有最高训练稳定性的最先进的 GAN。
- 你想要一个有信息量的可解释的损失函数。
---------------------------------------------
深度学习新星:GAN的基本原理、应用和走向 | 硬创公开课
作为一种概率生成模型:GAN
概率生成模型的目的,就是找出给定观测数据内部的统计规律,并且能够基于所得到的概率分布模型,产生全新的,与观测数据类似的数据。
现在比较流行的生成模型,其实可以分为三类:
- 生成对抗网络(GAN)
- 变分自动编码模型(VAE)
- 自回归模型(Auto-regressive)
朴素GAN的基本框架 / GAN的基本原理
GAN的应用实例
- 应用实例 1:图像超分辨率(Twitter)
- 应用实例 2:数据合成(Apple)
- 其它有趣的应用实例:(1)图像到图像的翻译 (2)文本到图像的翻译
GAN可以用在特定的人脸图像生成上,例如戴着墨镜的人脸。还可用在图像语音分割上,通过引入对抗训练,得到更锐利的风格结果。GAN可以用于视频生成,通过过去的一些帧来预测未来的一些帧,从而捕捉到一些运动的信息。以及将GAN应用在“人脸去遮挡”,和小物体检测,提出了一个“感知GAN模型”(Perceptual GAN)
GAN的未来发展方向 / 总结
---------------------------------------------
【青年学者专栏】解读GAN及其 2016 年度进展点击打开链接
- 对GAN的基础概念与理论基础进行介绍,并分析其模型构建原理与优势等;
- 对在2016年度的主要进展进行梳理和概括,主要包括从模型理论框架到实际应用问题中的相关扩展与改进及其训练技巧等工作。
- ---------------------------------------------
GAN调研:多极扩展点击打开链接
本文关注跨域(cross-domain)和条件(conditional)的GAN扩展模型调研。
这个方向解决的问题是,当加入更多变量/域时,如何让这些变量互相影响,改变GAN的输出。
我在这里称为二级(bi-polar)或多极扩展(multi-polar extension)
本文默认读者了解最基本的GAN模型。
个人觉得写的非常赞!!!!推荐
0/ 【目录】
- 1/【GAN朋友圈】
- 2/【二极扩展:太极宗师☯️】
- ALI [1]
- BiGAN [2]
- CycleGAN [3]
- DualGAN [4]
- DiscoGAN [5]
- CGAN [6]
- CoGAN [7]
- InfoGAN [8]
- 3/【多极扩展:更多变量/复杂条件】
- GMAN [9]
- FusionGAN [10]
- Triple GAN [11]
- Triangle GAN [12]
- SGAN [13]
- 4/【讨论:未来工作】
- 5/【参考文献/
---------------------------------------------
从头开始GAN点击打开链接
1. Generative Adversarial Nets
2. DCGAN ( Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks)
3. CGAN(Conditional Generative Adversarial Nets)
4. InfoGAN
不断更新中。。。。。。。。。。。。。。。。。。。。